Vous êtes sur la page 1sur 147

Principe de Télécommunications, Notes de cours (provisoires)

A.L. Fawe – L.Deneire

Année 1995-1996
1

Chapter 1

Introduction aux
Télécommunications.

1.1 Définition des télécommunications.


”Les télécommunications au sens large comprennent l’ensemble des moyens techniques néces-
saires à l’acheminement aussi fidèle et fiable que possible d’informations entre deux points a
priori quelconques, à une distance quelconque, avec des coûts raisonnables” 1 et à des instants
quelconques.
Il est à noter que cette définition est très large. Nous ajouterons que, dans le cadre de
ce cours, les principaux moyens de transmission utilisés seront de nature électromagnétique.
En outre, la théorie des télécommunications ne concerne que l’information, et non son support
matériel (papier, disques, ...) 2 . Les notions de fidélité (conformité du message reçu et du message
émis) et de fiabilité (résistance à des pannes partielles du système) seront le souci premier du
concepteur. Les messages à transmettre peuvent être de nature quelconque (paroles, images,
données de tous types). D’autre part, les besoins en communication ne sont pas nécessairement
symétrique, on peut en effet opter pour une transmission full-duplex, où chaque interlocuteur
émet simultanément avec l’autre ; semi-duplex, où chaque interlocuteur émet alternativement
ou simplex, c’est-à-dire unidirectionnelle. En outre, dans le cas de communications numériques,
les débits ne sont pas nécessairement les mêmes dans les deux sens. Le cas le plus simple étant
le Minitel français, où la transmission se fait à 1200 bits/s. dans le sens service -¿utilisateur et
à 75 bits/s. dans le sens utilisateur -¿service. L’avènement des transmissions d’images (video
on demand) accentue ce problème et est une des motivations du développement de l’A.T.M.
(Asynchronous Transfer Mode) qui permet, sur un canal commun, la coexistence de débits très
différents.
Nous avons ajouté, à la définition de Fontolliet, la notion temporelle. En effet, si la simul-
tanéité entre l’émission et la réception est souvent désirée (cas de la téléphonie), on peut désirer
stocker une information pour la reprendre plus tard, à un autre endroit. Cette transmission, non
plus d’un point à un autre, mais d’un temps à un autre, peut être abordée par des techniques
similaires, dont les techniques de codage issues de la théorie de l’information. Un cas typique est
celui des disques compacts audio ou vidéo, des CD-interactifs et de l’enseignement à distance.

1. Systèmes de télécommunications, P.-G. Fontolliet, Traité d’Electricité, volume XVIII, Editions Georgi, Lau-
sanne, 1983, p. 1
2. Le support de transmission (câble, fibre optique, ondes hertziennes) n’est pas à proprement parler un
support d’information, mais bien le canal de transmission.
2 CHAPTER 1. INTRODUCTION AUX TÉLÉCOMMUNICATIONS.

La chaı̂ne de télécommunication est formée principalement de :

1. Le canal (ligne, câble coaxial, guide d’onde, fibre optique, lumière infra-rouge, canal
hertzien, etc.)

2. L’émetteur, qui a comme fonction de fournir un signal (représentant le message) adapté


au canal.

3. Le récepteur dont la fonction est de reconstituer le message après observation du signal


présent sur le canal.

1.2 Historique.

De la naissance du télégraphe en 1938, mis au monde par Morse, aux transmissions d’images
spatiales (Voyager II) en passant par la transmission en direct des premiers pas et mots de Arm-
strong sur la lune, les télécommunications, à l’instar de toutes les techniques de l’électronique,
ont explosé dans la seconde moitié du 20ème siècle. Les quelques points de repère décrits ci-
dessous vous donneront une idée de l’histoire des télécommunications [?], [?].
1.3. LA CHAı̂NE DE TRANSMISSION. 3

Année Evénement
1826 Loi d’Ohm
1838 Samuel Morse invente un système de transmission codée des lettres de
l’alphabet, qui deviendra le télégraphe. Son code tient compte de la
fréquence relative des lettres dans la langue anglaise pour optimiser le
temps de transmission d’un message. A ce titre, c’est un précurseur
intuitif de la théorie et du codage.
1858 Un câble unifilaire télégraphique est posé à travers l’Atlantique (il fonc-
tionnera un mois).
1864 Etablissement des équations électromagnétiques de Maxwell
1870 Liaison télégraphique entre Londres et Calcutta (11.000 km)
1876 Alexandre Graham Bell dépose le brevet du téléphone. Il s’agit d’un
moyen de transmettre électriquement des sons à l’aide d’une résistance
variable.
1891 Premier sélecteur automatique télécommandé par le poste d’abonné (Al-
mon Srowger)
1897 Marconi dépose le brevet d’un système de télégraphie sans fil.
1907 Lee de Forest invente l’amplificateur à triode.
1915 Première liaison téléphonique (par ondes courtes) transcontinentale par
Bell System.
1920 Application de la théorie de l’échantillonnage aux communications.
1937 La modulation par impulsions codées (PCM : Pulse-code modulation),
inventée par Alec Reeves, permet la représentation numérique d’infor-
mations analogiques (premier codage de la voix).
1938 Début des émissions télévisées.
1940-45 Développement du radar, application des méthodes statistiques à l’étude
des signaux.
1948 Invention du transistor ; publication de la théorie mathématique de
l’information par C. Shannon.
1956 Premier câble téléphonique transatlantique.
1962 Premier satellite de communications (Telstar I) appliqué à la transmis-
sion transatlantique de télévision.
1965 Premier satellite géostationnaire (Intelsat I).
1969 On a décroché la lune !
197x Avènement des grands réseaux informatiques intercontinentaux, commu-
nications satellites commerciales, augmentation exponentielle des taux
de transmission.
1980 Premières images de Jupiter et de Saturne venant d’une sonde spatiale.
1991 Réseau Numérique à Intégration de Services (RNIS) en Belgique
1994 Lancement du G.S.M. en Belgique
1995 Votre premier cours de Télécommunications ...

1.3 La chaı̂ne de transmission.


1.3.1 Schéma de base d’une chaı̂ne de transmission.
Le schéma de base d’une chaı̂ne de transmission peut être représenté par la figure 1.1.
4 CHAPTER 1. INTRODUCTION AUX TÉLÉCOMMUNICATIONS.

canal

Source émetteur récepteur destinataire

Fig. 1.1 – Schéma de base d’une chaı̂ne de transmission.

Les cinq éléments qui y figurent sont définis comme suit :


– La source produit le message à transmettre.
– L’émetteur produit un signal adapté au canal de transmission.
– Le canal de transmission constitue le lien entre émetteur et récepteur.
– Le récepteur capte le signal et recrée le message.
– Le destinataire traite le message reçu.
La source, le destinataire, et dans une certaine mesure le canal de transmission, nous sont
imposés. Tout l’enjeu consistera à choisir et concevoir adéquatement l’émetteur et le récepteur.
Avant de donner un aperçu plus détaillé de ceux-ci, précisons les notions de source et de canal.

1.3.2 Le canal de transmission.


Le propre d’une transmission étant de se faire à distance, il faut utiliser un milieu physique
qui assure le lien entre la source et le destinataire et un signal approprié au milieu choisi, en ce
sens qu’il s’y propage bien. Citons par exemple un signal électrique dans un milieu conducteur
ou un signal électromagnétique en espace libre.
La notion de canal de transmission est délicate à expliciter. Nous commencerons par des
définitions assez vagues que nous préciserons au fil de ce paragraphe.

Notion de canal de transmission.


Selon le contexte, le terme de canal de transmission a des significations différentes.Le canal
de transmission au sens de la propagation est la portion du milieu physique utilisée pour la trans-
mission particulière étudiée. On parle ainsi de canal ionosphérique, de canal troposphérique,
...
Le canal de transmission au sens de la théorie des communications inclut le milieu physique
de propagation et également des organes d’émission et de réception (Figure 1.2).
Les frontières qui délimitent le canal dépendent des fonctions assignées à l’émetteur et au
récepteur. Sans entrer dans le détail de leurs structures, il est nécessaire d’en faire un examen
préalable. Un émetteur réel peut être considéré comme ayant deux fonctions principales réalisées
par deux éléments distincts :
1. l’émetteur théorique engendre un signal électrique S(t) que nous définissons comme le
signal émis. C’est un signal en bande de base ou sur fréquence porteuse qui véhicule
1.3. LA CHAı̂NE DE TRANSMISSION. 5

canal

Fig. 1.2 – Canal de transmission.

le message numérique. Ce signal est modélisé par un processus aléatoire dont les car-
actéristiques exactes dépendent de celles de l’émetteur.

2. L’ensemble des organes d’émission transforme le signal S(t) pour l’adapter au milieu
physique dans lequel il va se propager. Parmi les traitements effectués, on peut inclure
les opérations de changement de fréquence, de filtrage, d’amplification, de transformation
d’un signal électrique en signal électromagnétique, d’émission proprement dite dans le
milieu choisi (réalisée à l’aide de dispositifs tels que les antennes ...).

De la même façon, un récepteur réel peut être dissocié en deux blocs fonctionnels :

1. L’ensemble des organes de réception comprend les dispositifs de réception dans le milieu
physique (antennes ...) et réalise les opérations de transformation de la nature du sig-
nal, d’amplification, de changement de fréquence ... Nous définissons le signal électrique
R(t) ainsi obtenu comme étant le signal reçu. Ce signal n’est malheureusement pas une
reproduction parfaite du signal émis en raison de diverses perturbations que nous allons
aborder par la suite.

2. Le récepteur théorique traite le signal afin de fournir le message au destinataire.

Le canal à bruit blanc additif gaussien (BBAG).

Les modèle utilisés pour représenter le canal de transmission défini ci-dessus sont relative-
ment simples. Le plus simple et le plus classique est le canal à bruit blanc additif gaussien
(canal BBAG). En sortie de ce canal, le signal reçu résulte de l’addition du signal émis et d’un
bruit blanc. Si on excepte ce bruit, le signal émis ne subit aucune modification : nous dirons
que le canal est sans distorsion. Le bruit additif est indépendant du signal. Il est modélisé par
un processus aléatoire stationnaire, blanc, gaussien et centré. Sa densité spectrale bilatérale de
puissance est constante.
6 CHAPTER 1. INTRODUCTION AUX TÉLÉCOMMUNICATIONS.

Fig. 1.3 – Canal à bruit blanc additif gaussien (canal BBAG).

Caractéristiques du canal de transmission.


Après avoir défini le canal de transmission et son modèle, examinons les caractéristiques
de ce canal afin de savoir si le modèle simple, canal BBAG, est approprié. Toute une série
de facteurs interviennent pour modifier le signal électrique entre l’entrée du canal (signal émis
S(t)) et la sortie du canal (signal reçu R(t)). Passons ceux-ci en revue et vérifions la validité
du modèle du canal adopté (addition d’un bruit et absence de distorsion).

– Le phénomène de propagation dans le milieu physique (atmosphère, câble,fibre,


vide).
Pour une transmission sur voie radioélectrique avec fréquence porteuse élevée, le bruit est
pour l’essentiel d’origine interne. Il joue un rôle d’autant plus important que le signal reçu
est faible. Dans ces conditions, pour traiter le signal, le récepteur doit opérer avant toute
autre chose une amplification du signal. Etant imparfaite, celle-ci ajoute au signal amplifié
un bruit thermique qui peut être modélisé par un bruit blanc additif gaussien. Ce bruit de
réception est la principale cause des erreurs de transmission. Les autres défauts accentuent
ce bruit et par là-même ont une influence importante sur la qualité de la transmission.
Un paramètre important qui sert à caractériser le fonctionnement du récepteur est le
rapport signal à bruit, rapport des puissances de signal et de bruit reçus, évalué au niveau
du récepteur. Si on se réfère au modèle canal BBAG, la puissance du signal utile est la
même à l’entrée et à la sortie du canal.
Par contre, un canal réel provoque un affaiblissement de propagation qui augmente avec
la distance entre émetteur et récepteur. Cet affaiblissement n’est pas pris en compte
par le canal BBAG, car du point de vue théorique, il ne s’agit que d’un simple facteur
d’échelle. Du point de vue pratique, il implique une amplification et éventuellement des
amplificateurs et/ou répéteurs, et est donc un facteur de bruit.
De plus, le canal opère un filtrage qui est dû aux organes d’émission et de réception, et
au milieu physique
√ (un câble possède une fonction de transfert dont le module est de la
−u. f
forme e ; en propagation radioélectrique, il peut exister des trajets multiples, ...).La
fonction de transfert n’apparaı̂t pas dans le schéma du canal BBAG. Toutefois, il est
possible de reprendre les raisonnements pour inclure le filtrage dû au canal, c’est ce qui
sera fait dans les cours de “Questions spéciales et compléments de Télécommunications”,
en troisième année.
Une caractéristique du canal de transmission associée à la notion de fonction de transfert
est sa bande passante. Un canal de type passe-bas permet une transmission en bande de
1.3. LA CHAı̂NE DE TRANSMISSION. 7

base, alors qu’un canal de type passe-bande nécessite l’emploi d’une fréquence porteuse.
Dans la quasi-totalité des cas, il n’y a pas émission d’un signal unique à partir d’un
émetteur réel. A chaque signal est alloué une certaine bande de fréquence en fonction
de contraintes physiques ou réglementaires assignées au système (règles internationales,
normes ...). Le canal BBAG peut-il alors être utilisé pour l’étude d’une transmission à
bande limitée ? Heureusement oui, puisque cette notion de canal à bande limitée n’est
qu’une notion abstraite 3 . L’impératif de limitation de la bande de fréquence occupée
explique l’importance du filtrage en transmission.

– Les contraintes du système de transmission : le même système peut servir à la


transmission conjointe d’autres signaux. L’environnement électromagnétique
dans le milieu de transmission créé par d’autre systèmes utilisant le même
milieu.
La transmission conjointe de plusieurs signaux, habituellement dans des canaux fréquentiels
différents, est reprise ci-dessus dans la limitation de bande du canal utilisé.Malgré les ef-
forts de coordination entre les divers utilisateurs, sans parler de pollueurs (émissions
radioélectriques parasites), les problèmes de compatibilité électromagnétique ne sont pas
des plus simples à résoudre.

– Les éventuelles transformations effectuées dans l’émetteur réel et le récepteur


réel, mais que nous avons incluses dans le canal de transmission.
Celles-ci introduisent en général un délai τ . Sa présence peut se modéliser très simplement
au moyen d’une fonction de transfert de la forme e−jωτ . Le récepteur ne fonctionnant
qu’à partir du signal reçu, la valeur de ce délai est sans aucune influence sur le problème
théorique de réception. Par souci de simplification, nous ne le ferons donc pas apparaı̂tre
dans le modèle du canal. Par contre, la valeur du délai de transmission peut revêtir une
grande importance dans la définition du système pour des raisons de qualité ou de principe
de fonctionnement.
Certaines imperfections de l’émetteur, inhérentes à la technologie utilisée, sont incluses
dans le canal de transmission. En particulier des distorsions non linéaires apparaissent
lorsqu’un ou plusieurs signaux sont amplifiés par des dispositifs non linéaires (par satu-
ration par exemple). On parle alors de canal non linéaire, et le canal BBAG ne constitue
qu’une approximation grossière de la réalité. Les non-linéarités ne sont pas abordées dans
ce cours.
L’utilisation du canal BBAG reste justifiée dans le cas de milieux de transmission na-
turels (vide, atmosphère par temps claire), et fournit de précieux enseignements pour les
autres cas. Toutefois, l’atmosphère est non stationnaire et non homogène. On constate
des fluctuations d’atténuation du signal reçu et/ou des modifications très notables de la
fonction de transfert du canal. Les problèmes de modification d’atténuation sont résolus
par la prise de marges qui garantissent la qualité de transmission pendant un pourcentage
donné du temps. Pour les fluctuations de la fonction de transfert, on opère de la même
façon, ou bien on utilise des méthodes d’égalisation auto-adaptatives qui procurent des
gains importants.
Le canal BBAG sera utilisé dans tout le cours de principes.
3. Au risque de faire bondir votre sens physique ! Au sens des transmissions, le canal est effectivement à bande
limitée. Ici, nous considérons, pour rappel, le canal après le premier élément de l’émetteur réel, et donc avant la
limitation de bande.
8 CHAPTER 1. INTRODUCTION AUX TÉLÉCOMMUNICATIONS.

Fig. 1.4 – Emetteur.

1.3.3 L’émetteur.
Comme l’illustre la figure 1.2 , le canal de transmission ”théorique” comprend une partie des
éléments de l’émetteur réel. L’émetteur ”théorique” que nous considérons dans la suite a pour
fonction de transformer le message (analogique ou numérique) en un signal électrique S(t), de
nature analogique. Le signal émis par la source (suite de symboles, pression, image, ...) est ainsi
transformé en une grandeur physique variable en fonction du temps. Le signal émis (issu de
l’émetteur) doit être adapté aux contraintes imposées par le canal de transmission, contraintes
au premier rang desquelles figure la nécessité de n’occuper que la bande de fréquence permise.
La conception de l’émetteur doit également prendre en compte les problèmes de fonctionnement
du récepteur, les interactions avec le système de codage-décodage correcteur d’erreurs s’il existe,
et les impératifs de fonctionnement liés au système de transmission lui-même.
Pour répondre à ces contraintes, l’émetteur réalise deux opérations représentées schématiquement
sur la figure 1.4.

Modulation.
La seconde opération est une modulation qui transforme le signal électrique précédent en
un autre signal mieux adapté à un canal de transmission passe-bande. Celle modifie le signal
en faisant intervenir, de façon plus ou moins explicite, une fréquence particulière dite fréquence
porteuse. La modulation produit un signal de caractéristiques spectrales appropriées à la trans-
mission sur canal de type passe-bande. On parle alors de transmission sur fréquence porteuse.
Le signal issu du modulateur, que nous appellerons signal sur fréquence porteuse, ou signal
modulé, présente des différences notables avec un signal en bande de base. Nous décrirons les
principaux types de modulation (analogique et numérique), avec leur densité spectrale respec-
1.3. LA CHAı̂NE DE TRANSMISSION. 9

tive.
Un élément supplémentaire, le filtrage, apparaı̂t sur la figure 1.4, soit avec une caractéristique
passe-bas pour un signal en bande de base, soit avec une caractéristique passe-bande pour un
signal modulé. Le filtrage assure la mise en forme définitive du signal avant l’émission, compte
tenu du codage ou de la modulation utilisée et des contraintes du canal. La partie consacrée à la
transmission en bande de base fournira des informations sur la conception du filtrage passe-bas.
Les chapitres consacrés à la démodulation fourniront des résultats sur les bandes utiles et le
filtrage de ces signaux. La mise en forme à la fois spectrale et temporelle peut être effectuée sur
le signal modulé, mais aussi en bande de base, c’est-à-dire sur le signal issu du codeur binaire
à signal. A ce propos, remarquons que les frontières qui séparent les différentes fonctions de
l’émetteur sont parfois difficiles à définir.
Pour en terminer avec cette partie consacrée à l’émission, examinons la question de l’adapta-
tion du signal aux conditions de transmission. Comment savoir si le signal émis est bien adapté
si ce n’est en regardant simultanément :

– la qualité du message reçu, c’est-à-dire le taux d’erreur sur les bits (BER) ou le rapport
S
signal/bruit ( N ),

– comment sont vérifiées les autres contraintes (puissance hors bande, etc.).

Cela montre que la mise au point de l’émetteur ne peut se faire indépendamment de celle
du récepteur. La définition des chaı̂nes de transmission idéale conduira à des conditions qui
portent à la fois sur l’émetteur et sur le récepteur, notamment sur leurs fonctions de filtrage.
Le filtrage y apparaı̂tra comme une fonction essentielle qui devra répondre au double but :

– assurer le minimum de distorsion au signal qui sera traité par le récepteur,

– limiter l’occupation des fréquences à la seule bande permise.

1.3.4 Le récepteur.
Nous venons de voir que l’émetteur permet de transcrire le message en un signal afin de le
transmettre sur le canal. Inversement, le récepteur doit extraire le message du signal reçu. Pour
cela, il procède soit de manière séquentielle en prenant une suite de décisions sur les symboles
successifs du message émis dans le cas numérique, soit par simple démodulation dans le cas
analogique.
Le travail du récepteur est complexe en raison de la différence entre le signal émis et le signal
reçu. Un bon fonctionnement du récepteur est lié à l’exploitation des connaissances a priori de
la structure du signal émis, mais également des conditions dans lesquelles s’est déroulée la
transmission.
La principale perturbation subie par le signal transmis est l’addition d’un bruit gaussien.
Même en limitant la bande de fréquence du signal reçu, le récepteur doit fonctionner avec un
signal utile entaché d’un signal perturbateur dont l’amplitude à un instant donné suit une
loi de probabilité gaussienne. Intuitivement, on comprend que le travail du récepteur devient
extrêmement délicat lors d’une pointe importante de bruit.
Cela conduit à poser la question de l’optimisation du fonctionnement du récepteur afin que
celui-ci délivre au destinataire un message dont la qualité est la meilleure possible.
Nous développerons le concept de récepteur optimal dans le cas de la transmission en bande
de base sur un canal BBAG, en s’appuyant sur les résultats de la théorie de la détection. La
10 CHAPTER 1. INTRODUCTION AUX TÉLÉCOMMUNICATIONS.

structure des récepteurs est fondée sur l’utilisation du principe du maximum de vraisemblance,
compte tenu des caractéristiques de l’émetteur utilisé et du canal de transmission.
Les résultats obtenus seront complétés par la définition de la transmission idéale qui procure
au récepteur optimal l’avantage d’une structure linéaire simple et à la transmission l’avantage
de la meilleure qualité possible.
La notion de transmission idéale sera étendue aux transmissions sur fréquence porteuse.
Nous verrons qu’une des conditions à remplir, la connaissance de toutes les formes possibles
émises, pose un problème délicat. Celui-ci ne peut être pratiquement résolu que si la modulation
utilisée est linéaire et exige du récepteur une connaissance parfaite de la porteuse utilisée, c’est-
à-dire de sa fréquence et de sa phase. On parlera de réception cohérente, et souvent même de
démodulation cohérente.
Le récepteur cohérent doit comporter un dispositif de synchronisation, ou circuit de récupération
de porteuse, qui lui permet d’acquérir la fréquence et la phase de la porteuse émise.
La conception de ce circuit de récupération pose des problèmes supplémentaires. Le désir
de les éviter conduit à l’étude de structures de récepteur sans dispositif de synchronisation de
porteuse. On verra alors apparaı̂tre la démodulation non cohérente, tels que la démodulation
différentielle ou la démodulation d’enveloppe.La figure 1.5 donne les schémas de principe des
récepteurs pour transmission en bande debase et pour transmission sur fréquence porteuse. Les
structures représentées sont les plus simples et ont pour but de bien mettre en évidence les
diverses opérations effectuées dans chaque cas par le récepteur. Il existe des structures plus
complexes, notamment des structures bouclées.
La connaissance de la structure des émetteurs et récepteurs utilisés pour divers types de mod-
ulation et de démodulation permet d’effectuer des comparaisons basées sur les deux paramètres
suivants :

– Le taux d’erreurs sur les bits (BER) obtenu en fonction d’un rapport de l’énergie moyenne
par bit transmis Eb à la densité monolatérale de bruit No.
– La largeur de bande nécessaire à la transmission du signal numérique.Ces compara-
isons peuvent se faire dans le cas de la transmission idéale. Toutefois, cette transmission
idéales est un objectif d’autant plus difficile à approcher que le modem (modulateur-
démodulateur) est de réalisation complexe et que le canal de transmission réel n’est pas le
canal BBAG. Il s’avère donc important de pouvoir faire des comparaisons, en particulier
de connaı̂tre le BER dans des conditions réelles.

1.3.5 Note sur le codage de source et le codage de canal (cas numérique).


Nous avons vu apparaı̂tre implicitement les notions de codage de source et de codage en
ligne. Ces deux fonctions sont bien distinctes, et il est utile de les repréciser.

Codage de source.
Le codage de source, que nous situons à l’intérieur de la source, a pour but de rendre
celle-ci aussi idéale que possible au sens de la théorie de l’information. Elle servira à réduire
la redondance de la source et à transmettre un débit de symboles minimum, le plus proche
possible du débit d’information réel de la source. Le code Morse est, par exemple, une tentative
dans ce sens, qui optimise le temps de transmission. En transmissions d’images, on cherche à
exploiter la dépendance statistique d’un point de l’image avec ses voisins ou avec le même point
de l’image précédente.
1.3. LA CHAı̂NE DE TRANSMISSION. 11

Fig. 1.5 – Récepteur.


12 CHAPTER 1. INTRODUCTION AUX TÉLÉCOMMUNICATIONS.

Codage de canal.
Le codage de canal, dont fait partie le codage en ligne et la modulation, sert à adapter le
signal électrique analogique au canal de transmission. Ce codage nécessite l’introduction d’une
redondance voulue, par exemple pour permettre la détection, voire la correction d’erreurs de
transmission ou éliminer la composante continue d’un signal. Ce codage à lieu dans l’émetteur.

1.4 Les organisations internationales de Télécommunications.


L’objectif des télécommunications étant de communiquer loin (télé = τ ηλη = loin en grec),
il est clair que c’est un domaine où la standardisation doit être la plus poussée possible. Pour
atteindre ce but, des pouvoirs de normalisations nationaux (jusqu’à récemment facilités par les
situations de monopoles) et internationaux ont été mis en place. Il s’agit principalement de

– L’U.I.T. (Union Internationale des Télécommunications : http://www.itu.ch/). Le CCITT


(Comité Consultatif International pour la Téléphonie et la Télégraphie) et le CCIR
(Comité Consultatif International pour les Radiocommunications) sont des organes per-
manent de l’IUT qui sont en charche d’établir des normes internationales).

– L’I.S.O. (International Standards Organisation : http://www.iso.ch)


13

Chapter 2

Rappels concernant Fourier et la


convolution.

2.1 Définitions.
On notera les paires de transformées de Fourier f (t) ⇔ F (ω) où
Z ∞
F (ω) = f (t)e−jωt dt (2.1)
−∞
et
Z ∞ Z ∞
1 jωt
f (t) = F (ω)e dω = F (f )ej2πf df (2.2)
2π −∞ −∞

2.2 Théorème de convolution.

f1 (t) ⊗ f2 (t) ⇔ F1 (ω).F2 (ω) (2.3)


Z ∞ Z ∞ 
−jωt
e f1 (τ )f2 (t − τ )dτ dt (2.4)
−∞ −∞
En posant t = τ + x et en modifiant l’ordre d’intégration :
Z ∞ Z ∞ Z ∞ Z ∞
f1 (τ ) e−jω(τ +x) f2 (x)dxdτ = f1 (τ )e−jωτ dτ f2 (x)e−jωx dx (2.5)
−∞ −∞ −∞ −∞
QED.

Exercice 2.1 Démontrez


f1 (t).f2 (t) ⇔ F1 (ω) ⊗ F2 (ω)

2.2.1 Filtrage et convolution.


Le point principal à retenir est, dans le domaine temporel, l’équivalence entre filtrage et
convolution. En clair, si on passe un signal s(t) dans un filtre de réponse impulsionnelle h(t),
le signal résultant vaut Z ∞
r(t) = s(τ )h(t − τ )dτ
−∞
14 CHAPTER 2. RAPPELS CONCERNANT FOURIER ET LA CONVOLUTION.

. Ce qui peut être expliqué comme suit : on prend le signal temporel s(t) et la réponse impul-
sionnelle inversée dans le temps et décalée de t : h(t − τ ), la valeur du signal en sortie est la
surface en dessous du produit de ces deux fonctions. Soit graphiquement :

– Un signal carré de largeur 20 ici.

– Un filtre de réponse impulsionnelle e−aτ si τ > 0

– La sortie du filtre.

Pour vous convaincre du graphique, faites glisser la réponse impulsionnelle inversée sur le
signal carré, vous devriez “sentir” la courbe de sortie. A quel type de filtre cela vous fait-il
penser, quels éléments électriques?

0.5

0
0 10 20 30 40 50 60

0.5

0
0 10 20 30 40 50 60

10

0
0 10 20 30 40 50 60

Fig. 2.1 – Convolution d’un signal carré avec un filtre de réponse exponentielle

L’équivalence entre convolution dans le domaine temporel et produit dans le domaine


fréquentiel peut être illustré par le graphique suivant où la première partie représente la trans-
formée de Fourier d’un signal, la deuxième, celle de la réponse impulsionnelle ci-dessus et la
dernière le résultat du filtrage.

2.3 Théorème de Parseval.


Z ∞ Z ∞
1
y1 (t)y2∗ (t)dt = Y1 (ω)Y2 (ω)dω (2.6)
−∞ 2π −∞

Par le théorème de convolution :


Z ∞
f1 (τ )f2 (t − τ )dτ ⇔ F1 (ω)F2 (ω) (2.7)
−∞

en posant y1 (τ ) = f1 (τ ) et y2∗ (τ ) = f2 (t − τ ) et en remarquant :


Z ∞ Z ∞
T F [y2∗ (−τ )] = y2∗ (−τ )e−jωτ dτ = y2∗ (τ )ejωτ dτ = Y2∗ (ω) (2.8)
−∞ −∞
2.4. THÉORÈME DE MODULATION. 15

400

200

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000

15

10

0
0 5 10 15 20 25

600
400
200
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000

Fig. 2.2 – Convolution d’un signal carré avec un filtre de réponse exponentielle

On obtient : Z ∞
y1 (τ )y2∗ (τ )dτ ⇔ Y1 (ω)Y2∗ (ω) en t = 0 (2.9)
−∞
Z ∞ Z ∞
1
y1 (t)y2∗ (t)dt = Y1 (ω)Y2∗ (ω)dω (2.10)
−∞ 2π −∞

Par définition de la transformée de Fourier.


Si y2∗ (t) = y1 (t), on a le résultat :
Z ∞ Z ∞
1
|y1 (t)|2 dt = |Y1 (ω)|2 dω (2.11)
−∞ 2π −∞

L’énergie totale est égale à l’intégrale du module au carré de la transformée de Fourier


du signal. |Y1 (ω)|2 peut donc être interprété comme une densité spectrale d’énergie pour les
signaux certains. En effet, on peut la définir comme étant :

S(f )df = |Y1 (f )|2 (2.12)

2.4 Théorème de modulation.


Un des résultats les plus importants dans le cas des télécommunications est le théorème
de modulation, qui est l’expression mathématique du mélange de fréquence, ou encore de la
modulation d’amplitude à bande porteuse supprimée que nous verrons plus loin.
Soit un signal (ou fonction) s(t) et une cissoı̈de cos(ωc t) où l’indice c signifie “carrier”, on
forme le signal :

r(t) = s(t). cos(ωc t) (2.13)


et on se pose la question de connaı̂tre l’allure de la transformée de FourierR(ω) de r(t) en
fonction de la transformée de FourierS(ω) de s(t).
Le calcul s’effectue aisément comme suit :
16 CHAPTER 2. RAPPELS CONCERNANT FOURIER ET LA CONVOLUTION.

Z ∞ Z Z
1 ∞ jωc t −jωt 1 ∞ −jωc t −jωt
s(t) cos(ωc )e−jωt dt = e e dt + e e dt
−∞ 2 Z−∞ 2 Z−∞
1 ∞ −j(ω−ωc )t 1 ∞ −j(ω+ωc )t
= e dt + e dt (2.14)
2 −∞ 2 −∞
1
= (S(ω − ωc ) + S(ω + ωc ))
2
La figure 2.3 illustre ce théorème. On notera que le spectre est symétrique, le centre de
symétrie étant la fréquence 0. Il est clair que la multiplication par une cissoı̈de à une pulsation
ωc translate le spectre original autour de ωc . Notation : il est d’un usage commun de désigner
les “basses fréquences” en majuscules (Ω) et les fréquences transposées par ω.

Signaux temporels TransformØes de Fourier


2
400
s(t)

0
200

-2 0
0 500 1000 0 10 20 30 40

1
400
porteuse

0
200

-1 0
0 500 1000 0 50 100

2 300
modulation

200
0
100

-2 0
0 500 1000 0 50 100

Fig. 2.3 – Illustration du théorème de modulation

Application 2.1 Mélange de fréquences.

Le mélange de fréquences consiste principalement en la translation d’un signal sur l’axe des
fréquences. Si un signal en bande de base s’étend de 0 à 10 Khz, on désire le translater à une
fréquence centrale de 100 Mhz, il occupera alors la bande de 95 à 105 Mhz. Pour ce faire, la
méthode la plus directe consiste à mélanger le signal en bande de base avec un signal de porteuse.
Un calcul simple, et le théorème de modulation, permettent aisément de s’en convaincre, à un
filtrage près.

2.5 Transformée des fonctions périodiques.


2πn
Soit f (t) telle que f (t) = f (t + T ), montrer que F (ω) = 0 ∀ω 6= T où n est entier.

Z ∞ Z ∞
f (t)e−jωt dt = ejωT f (t + T )e−jω(t+T ) dt
−∞ −∞

jωT
F (ω) = e F (ω) (2.15)
2.6. TRANSFORMÉE D’UNE SÉRIE D’IMPULSIONS. 17

vrai si ejωT = 1 ⇒ ω = 2πn


T
Toute fonction périodique a une transformée de Fourier nulle en dehors des harmoniques de
la fréquence fondamentale. On se ramène à la série de Fourier.

S(f )

0 f

Fig. 2.4 – Transformée de Fourier d’un signal périodique.

2.6 Transformée d’une série d’impulsions.


Soit
X
+∞
∆(t) = δ(t − nT )
n=−∞

prouver
X
+∞

∆(ω) = ωo δ(ω − nωo ) où ωo =
n=−∞
T
.
Solution. Définissons
∆N (t) = δ(t − nT )

X
N
sin(N + 21 ωT )
⇒ ∆N (ω) = ejnωT =
n=−N sin ωT
2

et
sin(N + 12 ωT ) X
+∞
lim ωT
= ω o δ(ω − nωo )
N →∞ sin 2 n=−∞

1
S(f )
1 s(t)
T

0 f
1
T T

Fig. 2.5 – Transformée de Fourier d’une suite d’impulsions.


18 CHAPTER 2. RAPPELS CONCERNANT FOURIER ET LA CONVOLUTION.

2.7 Transformée d’un signal périodisé.


Soit
f1 (t) = ∆(t) ⊗ Recta (t) cos Ωt

on demande la transformée de Fourier F1 (ω) de f1 (t).


Solution.
TF[Recta (t)] =
Z a
sin aω
e−jωt dt =
−a ω/2

TF[Recta (t). cos Ωt] = (théorème de modulation)


 
1 sin a(ω − Ω) sin a(ω + Ω)
+
2 (ω − Ω)/2 (ω + Ω)/2

TF[Recta (t). cos Ωt ⊗ ∆(t) ] =

X
+∞
∆rect.ωo δ(ω − nωo )
n=−∞

On obtient donc qu’un signal périodisé a comme spectre une série de Diracs espacées de
l’inverse de la période de périodisation et de valeurs égales à la valeur du spectre original en
cet endroit, à un facteur 2π/T près.

2.8 Problème de la fréquence image.


Plaçons nous dans le cas où l’on veut ramener un signal HF sur une fréquence IF donnée.
Pour fixer les choses, on notera fo la fréquence HF, fi la fréquence intermédiaire et et fl
la fréquence de l’oscillateur local. Par multiplication de celui-ci avec le signal HF, on désire
obtenir un signal à la fréquence IF. On observe aisément qu’une fréquence fl = fo + fi permet
de réaliser cette opération. En effet, les fréquences résultant de la multiplications des deux
signaux sont fl ± fo . Un problème subsiste cependant pour lafréquence image f1 = fl + fi .
En effet, le mélange de f1 avec fl produira une composante à f1 − fl = fi . Donc, tout signal
présent à la fréquence image sera placé à la fréquence intermédiaire et jouera le rôle de signal
parasite. Il est donc impératif de filtrer ces signaux indésirables avant d’effectuer le mélange.

Application 2.2 Transposition de fréquence.

On désire transposer un signal BF s’étendant de 200 Hz à 3200 Hz. Cette opération se


fera par deux opérations de mélange, chacune suivie d’un filtre passe-haut. Pour obtenir des
facteurs de qualité acceptables (pas trop élevé), la largeur de décroissance des filtres WT est
fc
limitée à WT ≥ 100 où fc est la fréquence de coupure des filtres. On demande de déterminer les
fréquences maximales admissibles f1 et f2 des oscillateurs locaux.
2.8. PROBLÈME DE LA FRÉQUENCE IMAGE. 19

−fi 0 fi fo fl f1

Fig. 2.6 – Problème de la fréquence image

f1 f2
WT

200 3.2k
f1
f1 f1 + 200 Hz

f1
WT = 400 > 100
⇒ f1max = 40kHz

WT

40.2 Khz
43.4 Khz
f2
f2 f2 + 40.2 Khz

f2
WT = 80.4Khz > 100
⇒ f2max = 8.04M hz

Fig. 2.7 – Solution


20 CHAPTER 2. RAPPELS CONCERNANT FOURIER ET LA CONVOLUTION.

2.9 Le récepteur superhétérodyne


Dans la plupart des cas, et en particulier dans le domaine très répandu des transmissions
radio, il est nécessaire de déplacer le signal sur une portion de spectre adéquate. D’autre part,
le canal radio introduit une atténuation très importante qui implique, à la réception, une am-
plification gigantesque. Un signal de réception typique a une amplitude de l’ordre du µV alors
que les organes de production du signal (acoustique par exemple) demandent une amplitude
de l’ordre du Volt. Il est clair qu’une amplification directe par un facteur 106 est impossible
et engendrerait une oscillation de l’ampli. Il convient donc de diviser cette amplification en
plusieurs étages. D’autre part, le fait d’effectuer des changements de fréquence entre ces am-
plifications sera également un facteur empêchant une éventuelle oscillation du système global.
Ces considérations nous amènent naturellement au récepteur superhétérodyne.

Ampli RF Mixer Ampli IF Démodulateur Ampli BF

RF IF BF

O.L. Oscillateur Local

Fig. 2.8 – Récepteur superhétérodyne.

Les éléments du recepteur superhétérodyne.

1. L’ampli RF A la réception, une première amplification du signal RF est effectuée. Il


s’agit naturellement d’une amplification sélective, c’est-à-dire d’une amplification avec fil-
trage, celui-ci à comme rôle, d’abord, de pallier aux inconvénients de la fréquence image
(idéalement, on introduira un pôle à la fréquence image), également de diminuer la puis-
sance de bruit captée par le récepteur et enfin d’effectuer un premier filtrage qui facilitera
le filtrage IF. Il est clair également que la bande passante de ce filtre, dans le cas de la
radiodiffusion par exemple, doit pouvoir être adaptée pour pouvoir capter la “station”
que l’on veut.

2. Le mélangeur et l’oscillateur local. La démodulation pour la modulation d’amplitude


(ou de fréquence) étant difficile à réaliser en haute fréquence, on ramène le signal à une
fréquence intermédiaire plus faible pour réaliser la démodulation. Cette opération à un
avantage supplémentaire : on ramène toutes les bandes HF différentes sur la même bande
IF, ce qui permet avantages principaux :

– Il est ainsi possible d’optimiser les circuits de modulation pour une seule bande de
fréquence et donc d’optimiser ceux-ci.
– Cela permet de n’avoir que deux réglages à effectuer. De plus, ceux-ci peuvent être
couplés pour obtenir une concordance parfaite entre l’O.L. et la R.F.
2.9. LE RÉCEPTEUR SUPERHÉTÉRODYNE 21

– Cela permet d’avoir des filtres plus facilement réalisables. En effet, dans le cas de la
radio F.M., les largeurs de bandes utilisées sont de 200 kHz pour une fréquence por-
teuse d’environ 100 MHz, ce qui impliquerait un filtre de réception ayant un facteur
de qualité (Q = fréquence centrale du filtre
largeur de bande du filtre ) de 500, ce qui est quasi impossible. En
se ramenant à une fréquence centrale (IF) de 10.7 MHz, on a un facteur de qualité
de l’ordre de 50, ce qui est élevé, mais acceptable, d’autant plus que ce filtre est
à fréquence centrale fixe, et non variable comme en RF. Pour le filtre RF, il s’agit
d’éviter la fréquence image. Á titre d’exercice, déterminez le facteur de qualité qu’il
faut dans ce cas.

L’ampli IF introduit une amplification et assure le filtrage IF, comme décrit ci-dessu.

Le démodulateur assure la transformation du signal électrique en un signal généralement proportionnel au


signal de départ.

L’ampli BF ... no comment !


22 CHAPTER 2. RAPPELS CONCERNANT FOURIER ET LA CONVOLUTION.
23

Chapter 3

Variables aléatoires.

3.1 Rappels de théorie des probabilités.


3.1.1 Introduction
Un signal qui peut être exprimé comme une fonction explicite du temps est un signal
déterministe. Les télécommunications ayant comme objectif le transport d’informations, les
signaux seront par nature non déterministes, c’est-à-dire aléatoires. De plus, soit par facilité de
calcul, soit par adéquation aux signaux utilisés et/ou aux phénomènes rencontrés (idéalement
par facilité et adéquation), nous utiliserons certaines hypothèses concernant ces signaux. Ce
chapitre n’aura d’autre prétention que de faire un bref rappel de la théorie des probabilités et
des processus stochastiques pour exprimer correctement les hypothèses de travail utilisées.

3.1.2 Théorie des probabilités.


3.1.3 Evénements, expériences, axiomes de probabilité.
Un expérience déterminée comporte un ensemble S de tous ses résultats possibles E, appelés
événements associés à cette expérience. A chaque événement associé à l’expérience considérée,
on fait correspondre un nombre réel PE appelé ((probabilité de l’événement E)) défini par les
axiomes suivants :

1. PE ≥ 0

2. PI = 1 un événement certain a une probabilité égale à 1

3. Si E1 et E2 sont mutuellement exclusifs, i.e. si E1 ∩ E2 = ∅


PE1 ∪E2 = PE1 + PE2 (axiome de la somme)

4. PE1 ∩E2 = PE1 .PE2 |E1 (axiome du produit) où PE2 |E1 est la probabilité que E2 survienne
dans l’hypothèse où E1 arrive.

On peut déduire de ces axiomes que PE est toujours compris entre 0 et 1 et que la probabilité
de l’événement impossible est nulle (la réciproque n’étant pas nécessairement vraie).
24 CHAPTER 3. VARIABLES ALÉATOIRES.

3.1.4 Indépendance statistique.


Deux événements E1 et E2 sont statistiquement indépendants si

PE1 ∩E2 = PE1 .PE2 (3.1)

E1 . . . En sont n événements statistiquement indépendants si

PEi ∩Ej = PEi .PEj (3.2)


PEi ∩Ej ∩...∩Ek = PEi .PEj . . . . .PEk (3.3)

3.1.5 Lois de composition


1. PĒ = 1 − PE où Ē est le complément de E

2. PE1 ∪E2 = PE1 + PE2 − PE1 ∩E2

3. PE1 ∩E2 ∩...∩En = PE1 .PE2 |E1 .PE3 |E2∩E1 . . . .PEn |En−1 ∩...∩E2 ∩E1

4. Soient E1 , . . . , En n événements indépendants.


PE1 ∪E2 ∪...∪En = 1 − PĒ1 .PĒ2 . . . . .PĒn

5. Soient E1 , . . . , En n événements indépendants.


PE1 ∪E2 ∪...∪En = 1 − PE1 .PE2 . . . . .PEn

3.1.6 Probabilités a posteriori


Soient H1 , . . . , Hn , un ensemble d’événements mutuellement exclusifs (Hi ∩ Hi = ∅) tels que
H1 ∪ H2 ∪ . . . ∪ Hn = I et non indépendants de E. Les Hi sont appelés hypothèses et peuvent
être des causes de l’événement E.

X
n
PE = PHi .PE|Hi (3.4)
i=1

Et nous avons la formule de Bayes :

PE∩Hi PHi .PE|Hi


PHi |E = = (3.5)
PE PE
où

– PHi |E est la probabilité a posteriori ;

– PHi est la probabilité a priori ;

– PE|Hi est la probabilité conditionnelle.


3.2. VARIABLES ALÉATOIRES. 25

3.2 Variables aléatoires.


La classe S des événements associés à une expérience peut toujours être décrite à l’aide
d’un ensemble d’événements mutuellement exclusifs appelés événements élémentaires de cette
expérience.
Tout événement E consiste en la réunion d’un certain nombre d’événements élémentaires et
sa probabilité est la somme des probabilités de ceux-ci.
Une variable aléatoire est définie par correspondance biunivoque avec un ensemble d’évé-
nements élémentaires et est caractérisée par la distribution de probabilité de celui-ci. Elle peut
être à une ou plusieurs dimensions, discrète ou continue.

3.2.1 Fonction de répartition.


On considère une variable aléatoire X dont le domaine de définition sera pris systématique-
ment [−∞, ∞], bien que l’arrivée dans certains sous-domaines puisse être impossible. Cette
variable aléatoire est entièrement définie par sa fonction de répartition (en anglais : c.d.f. :
cumulative distribution function)

F (x) = P {X ≤ x} (3.6)
Cette fonction possède les propriétés suivantes :

1. F (−∞) = 0 ; lim F (x) = 1


x→∞

2. F (b) − F (a) = P {a < X ≤ b}

3. F (x) est une fonction monotone non décroissante.

La variable aléatoire X est dite discrète si la fonction F (x) est une fonction en escalier,
c’est-à-dire de la forme :
X X
F (x) = Pi u(x − xi ) ; pi > 0 ; Pi = 1 (3.7)
i i

où u() est la fonction échelon. Une telle variable ne peut prendre que les valeurs xi et ce,
avec les probabilités pi .
La variable X est dite continue si la fonction de répartition F (x) est continue.
Dans le cas général, la fonction F (x) peut contenir des discontinuités par saut brusque
positif.

3.2.2 Densité de probabilité.


Pour une fonction de répartition continue, on définit la densité de probabilité de la variable
aléatoire (p.d.f : probability density function)

dF
p(x) = (3.8)
dx
On déduit aisément la signification de p(x) de la propriété :
Z b
P {a < X ≤ b} = F (b) − F (a) = p(x)dx (3.9)
a
26 CHAPTER 3. VARIABLES ALÉATOIRES.

1 F (x)

0 x

Fig. 3.1 – Fonction de Répartition


Z ∞
d’où p(x)dx = 1 et, en particulier,
−∞

P {x < X ≤ x + dx} = p(x)dx (3.10)


ce qui illustre bien la dénomination de densité : plus p(x) est grande, plus la probabilité que la
variable tombe au voisinage de x est grande.
A condition d’admettre l’introduction de fonctions impulsions de Dirac, la notion de densité
de probabilité peut être étendue aux variables aléatoires non continues, par exemple, pour une
variable discrète :
X
p(x) = Pi δ(x − xi ) (3.11)
i

3.2.3 Moments d’une variable aléatoire.


L’opérateur espérance mathématique E{f (X)} fait correspondre à une fonction donnée f
de la variable aléatoire X un nombre, et cela par la définition :
Z ∞
E{f (X)} = f (x)p(x)dx (3.12)
−∞
C’est une moyenne pondérée de la fonction f , la fonction de poids étant la densité de
probabilité.
Dans le cas d’une variable aléatoire discrète, on a:
X
E{f (x)} = Pi f (xi ) (3.13)
i
Les moments de la variable aléatoire X sont les espérances mathématiques des puissances
Xn

Z ∞
n
mn = E{X } = xn p(x)dx x continu (3.14)
−∞
X
n
mn = E{X } = xni Pi x discret (3.15)
i

En particulier, on distingue le moment du premier ordre m1 qui est l’espérance mathéma-


tique de la variable elle-même :
3.2. VARIABLES ALÉATOIRES. 27

Z ∞
m1 = E{X} = xp(x)dx x continu (3.16)
−∞
X
m1 = E{X} = xi Pi x discret (3.17)
i

que l’on appelle moyenne ou valeur la plus probable. La moyenne donne la valeur de X autour
de laquelle les résultats d’essais devraient se disperser. 1 Une variable aléatoire est dite centrée
si sa moyenne est nulle. On travaille souvent avec les variables aléatoires centrées (X − m1 ). Les
moments d’ordre supérieur à 1 de la nouvelle variable, notés µn = E{(x − m1 )n } sont souvent
plus utiles que les moments mn .
X
n
On a µn = (−1)k Cnk mn−k mk1 .
k=0
En particulier le moment centré d’ordre deux est la variance :
µ2 = σx2 = E{(x − m1 )2 } = m2 − m21
La racine carrée de la variance σx est appelée dispersion ou écart-type. Elle donne une mesure
de la dispersion vraisemblable de résultats d’essais autour de la moyenne, ainsi que le montre
l’inégalité de Bienaymé-Tchebychef :
 2
σx
p{|X − m1 | > α} < (3.18)
α
X−m1
Il peut être utile de considérer la variable centrée et réduite σ dont la variance est
l’unité.

3.2.4 Variables réelles à plusieurs dimensions.


On peut étendre les notions vues précédemment à une variable aléatoire à n dimensions
X = (X1 , X2 , . . . , Xn ). On définit la fonction de répartition (fonction scalaire) :

F (x1 , x2 , . . . , xn ) = P {X1 ≤ x1 , X2 ≤ x2 , . . . , Xn ≤ xn } (3.19)


La densité de probabilité est alors définie par :

∂ n F (x1 , x2 , . . . , xn )
p(x1 , x2 , . . . , xn ) = (3.20)
∂x1 ∂x2 . . . ∂xn
L’extension des notions précitées est immédiate.
On exprime les lois marginales par

FX1 (x1 ) = FX1 ...Xn (x1 , ∞, . . . , ∞) (3.21)


et par conséquent :
Z ∞ Z ∞
∂FX1 (x1 )
pX1 (x1 ) = = ... pX1 ...Xn (x1 , x2 , . . . , xn )dx2 . . . dxn (3.22)
∂x1 −∞ −∞

Notons également l’introduction possible de lois conditionnelle du type :


1
1. Il ne faut pas la confondre avec la médiane qui est la valeur x1/2 telle que F (x1/2 ) = 2
et à laquelle elle
n’est pas toujours égale.
28 CHAPTER 3. VARIABLES ALÉATOIRES.

FX1 ,...,Xk |Xk+1 ,...,Xn (x1 , . . . , xk | xk+1 , . . . , xn )


= P {X1 ≤ x1 , . . . , Xk ≤ xk | Xk+1 = xk+1 , . . . , Xn = xn } (3.23)

pX1 ,...,Xk |Xk+1 ,...,Xn (x1 , . . . , xk | xk+1 , . . . , xn )


∂ k FX1 ,...,Xk |Xk+1 , . . . , Xn (x1 , x2 , . . . , xn )
= (3.24)
∂x1 ∂x2 . . . ∂xn
Et on déduit la généralisation de la formule de Bayes :
pX1 ,...,Xn
pX1 ,...,Xk |Xk+1 ,...,Xn = (3.25)
pX1 ,...,Xk

Les moments et moyennes sont alors définis grâce à l’opérateur espérance mathématique :
Z ∞ Z ∞
E{f (X1 , . . . Xn )} = ... f (x1 , . . . xn )p(x1 , . . . xn )dx1 . . . dxn (3.26)
−∞ −∞

Les moments des deux premiers ordres sont alors :

Z ∞ Z ∞ Z ∞
m10 = x1 p(x1 , x2 )dx1 dx2 = x1 pX1 (x1 )dx1 (3.27)
−∞ −∞ −∞
Z ∞ Z ∞ Z ∞
m01 = x2 p(x1 , x2 )dx1 dx2 = x2 pX2 (x2 )dx2 (3.28)
−∞ −∞ −∞
Z ∞ Z ∞ Z ∞
m20 = x21 p(x1 , x2 )dx1 dx2 = x21 pX1 (x1 )dx1 (3.29)
−∞ −∞ −∞
Z ∞ Z ∞ Z ∞
m02 = x22 p(x1 , x2 )dx1 dx2 = x22 pX2 (x2 )dx2 (3.30)
−∞ −∞ −∞
Z ∞ Z ∞
m11 = x1 x2 p(x1 , x2 )dx1 dx2 (3.31)
−∞ −∞

On considère souvent les moments centrés d’ordre 2, dont les variances :

σ12 = E{(X1 − m10 )2 } = m20 − m210 (3.32)


σ22 = E{(X2 − m01 ) } = m02 − 2
m201 (3.33)

la corrélation mutuelle (cross-correlation)

r12 = E{(X1 )(X2 )} = m11 (3.34)


l’autocorrélation

r11 = E{(X1 )(X1 )} = m20 = σ12 + m210 (3.35)


et la covariance mutuelle

µ12 = E{(X1 − m10 )(X2 − m01 )} = m11 − m10 .m01 (3.36)


3.3. EXTENSION AUX VARIABLES COMPLEXES 29

On peut aisément étendre cette théorie des moments aux variables à plus de deux dimen-
sions. En particulier, on utilise couramment les moments du premier ordre ou moyennes, per-
mettant de centrer les variables. On forme avec les moments centrés d’odre deux une matrice
de covariance (n x n) qui est symétrique et dont les éléments de la diagonale principale sont les
variances :
 
σ12 µ12 . . . µ1n
 
 µ21 σ22 . . . µ2n 
C=
 .. .. .. .. 
 (3.37)
 . . . . 
µn1 µn2 . . . σn2

3.2.5 Fonction caractéristique


La fonction caractéristique de la variable aléatoire à n dimension X est définie par :

Pn
ψx (q1 , ..., qn ) = E{ej q X
k=1 k k }=
Z ∞ Z ∞ Z ∞
ejq1 x1 dx1 ejq2 x2 dx2 ... ejqn xn p(x1 , ..., xn )dxn (3.38)
−∞ −∞ −∞

On peut aussi définir les fonctions caractéristiques marginales et conditionnelles.


Si tous les moments sont finis, on dispose du développement en série :

(j)k X

ψx (q1 , ..., qn ) = 1 + E{X1i1 ...Xnin }q1i1 ...qnin (3.39)
k! i1 +...+in =k

En particulier, pour n = 2 :

j2
ψx1 ,x2 (q1 , q2 ) = 1 + j(m10 q1 + m01 q2 ) + (m20 q12 + 2m11 q1 q2 + m02 q22 ) + ... (3.40)
2!
et l’on a, sous réserve de différentiabilité :

1 ∂ i+k ψx1 x2
E{X1i X2k } = { }q1 =q2 =0 (3.41)
(j)i+k ∂q1i ∂q2k

3.3 Extension aux variables complexes


3.3.1 Fonction de répartition et densité de probabilité
Une variable aléatoire complexe X étant l’ensemble des nombres réels ordonnés (A,B), sa
fonction de répartition et sa densité de probabilité sont définies comme étant celles de la variable
bidimensionnelle (A,B). De même, pour une variable complexe à plusieurs dimensions, on devra
considérer la variable réelle de dimension double constituée des parties réelles et imaginaires.

3.3.2 Moments
Espérance mathématique de la variable ou moyenne.
Soit x = A + jB une variable aléatoire complexe à une ou à plusieurs dimensions. La
moyenne de X est définie par
30 CHAPTER 3. VARIABLES ALÉATOIRES.

Z ∞ Z ∞
E{X} = mx = (a + jb)pAB (a, b)da db (3.42)
−∞ −∞
Comme on a, par exemple :
Z ∞ Z ∞
mA = a pA (a)da ; p(a, b)db = p(a) (3.43)
−∞ −∞
on a aussi :

mx = mA + jmB (3.44)
Comme précédemment, la variable (X − mX ) est dite centrée.

Moments du second ordre.


On considère une variable aléatoire complexe à une dimension X = A + jB de moyenne mx .
Par définition, sa variance est :

σx2 = E{|X − mx |2 } (3.45)


On voit que l’on a veillé à ce que la variance soit un nombre réel et positif.
Comme |X − mx |2 = (A − mA )2 + (B − mB )2 , on a

σx2 = σA
2 2
+ σB = E{|X|2 } − |mX |2 (3.46)
Considérons maintenant une variable complexe à n dimensions X = A + jB. Par définition,
sa matrice (n x n) de covariance est

CX ≡ E{(X − mX )(X − mX )H } (3.47)


H
où le signifie la transposée hermitienne (conjugué complexe du transposé). Comme
(X − mX )(X − mX )H = [A − mA + j(B − mB )][AT − mTA − j(BT − mTB )], on a

CX = CA + CB + j(CBA − CAB ) (3.48)


T
De la propriété CBA = CAB vue pour les variables réelles résulte la propriété

CX = CH X (3.49)
C’est-à-dire que la matrice de covariance est hermitienne. De même, elle est définie non
négative.
On adapte d’une manière analogue la définition de la matrice de covariance mutuelle de
deux variables à plusieurs dimensions

CXY = E{(X − mX )(Y − mY )H } X(n x 1)


Y(m x 1)
CXY (n x m) (3.50)
La démonstration de la propriété :

CYX = CXY H (3.51)


est analogue à celle de l’hermiticité de CX .
3.4. QUELQUES LOIS DE PROBABILITÉ IMPORTANTES 31

3.4 Quelques lois de probabilité importantes


3.4.1 Loi à deux valeurs
Densité de probabilité.

La variable réelle à une ou plusieurs dimensions X peut prendre les valeurs a et b avec des
probabilités respectives pa et pb telles que pa et pb = 1 :

p(x) = pa δ(x − a) + pb δ(x − b) (3.52)

Rappelons qu’en coordonnées cartésiennes à n dimensions

σ(x − a) = δ(x1 − a1 )δ(x2 − a2 )...δ(xn − an ) (3.53)

Moments.

m1 = E{X} = a.pa + b.pb (3.54)

Plus généralement : mn = E{X n } = an pa + bn pb ; (pour une dimension)

σx2 = pa pb |b − a|2 ; (pour une dimension) (3.55)

Cx = pa pb (b − a)(b − a)H ; (pour plusieurs dimensions) (3.56)

Fonction caractéristique

ψx (q) = pa ejaq + pb ejbq ; (pour une dimension) (3.57)

3.4.2 Loi binomiale


Densité de probabilité.

On fait n essais indépendants relatifs à un événement E ayant une probabilité p. La variable


aléatoire X “nombre d’arrivées de l’événement au cours des n essais” peut prendre les valeurs
0, 1, ..., n. La densité de probabilité de la variable discrète X est :

X
n
p(x) = pk δ(x − k) (3.58)
k=0

avec

pk = Cnk pk (1 − p)n−k (3.59)

Cette loi est unimodale, le mode étant le plus grand entier inférieur ou égal à [(n + 1)p].
32 CHAPTER 3. VARIABLES ALÉATOIRES.

Moments.

m1 = E{X} = np µ2 = σx2 = np(1 − p)


m2 = E{X 2 } = M p(1 − p) + n2 p2 µ3 = np(1 − p)(1 − 2p) (3.60)
µ4 = 3n2 p2 (1 − p)2 + np(1 − p)(1 − 6p + 6p2 )

Fonction caractéristique

ψx (q) = (1 − p + pejq )n (3.61)

Propriétés.
1. Stabilité 2 : si X1 et X2 suivent des lois binomiales de paramètres respectifs (n1 , p) et
(n2 , p) – le même p – alors X1 + X2 suit une loi binomiale de paramètres (n1 + n2 , p).

2. Si n → ∞, X est asymptotiquement normale de moyenne np et de variance σ 2 = np(1−p).

3. Si n → ∞ et simultanément p → 0 de telle manière que np → λ, on obtient la loi de


Poisson. On peut approcher la loi de Poisson dès que p < 0, 1 et np > 1.

3.4.3 Loi de Poisson


Densité de Probabilité.
La loi de Poisson :

X

λk e−λ
p(x) = pk δ(x − k) avec pk = (3.62)
k=0
k!

est relative à une variable réelle à une dimension ne pouvant prendre que les valeurs entières
positives (Fig. 3.2).

p(x) λ=3
F (x)

0.2 1

0.1

0 1 2 3 4 5 6 7

Fig. 3.2 – Loi de Poisson


2. Une loi de probabilité est dite stable si la somme de variables indépendantes suivant une loi de ce type obéit
elle aussi à une loi de ce type.
3.4. QUELQUES LOIS DE PROBABILITÉ IMPORTANTES 33

Interprétation :
Exemple : un nombre n >> 1 de téléviseurs de même marque et de même âge sont en service
dans une ville. La probabilité que l’un quelconque de ces appareils tombe en panne demain est
p << 1. La variable X = nombre d’appareils qui tomberont en panne demain est une loi de
Poisson de paramètre λ = np.
b) Moments

m1 = E{X} = λ

σx2 = λ

Fonction caractéristique

jq −1)
ψx (q) = e−λ(e (3.63)

Propriété de stabilité.

La somme de deux variables aléatoires obéissant à des lois de Poisson de paramètres λ1 et


λ2 suit une loi de Poisson de paramètre λ1 + λ2 .
Exemple : le nombre total de téléviseurs de tous âges et marques tombant en panne demain
dans telle ville suit une loi de Poisson.

Loi de Poisson à plusieurs dimensions.

X λk11 ...λknn
p(x1 , ..., xn ) = e−(λ1 +...+λn) δ(x1 − k1 )...δ(xn − kn ) (3.64)
k1 !...kn !
c’est-à-dire que les composantes x1 , ..., xn sont indépendantes, mais suivent chacune une loi
de Poisson.

3.4.4 Loi uniforme


Densité de probabilité.

X étant une variable réelle à une dimension


(
1
b−a si a≤x≤b
p(x) = (3.65)
0 ailleurs

c’est-à-dire que X arrive au hasard entre a et b. On dit que X est une variable de chance.
La fonction de répartition est :


 0 si x≤a
x−a
F (X) = si a≤x≤b (3.66)

 1
b−a
si x>b
34 CHAPTER 3. VARIABLES ALÉATOIRES.

Moments.

a+b (b − a)2
m1 = E{X} = σx2 =
2 12
1 X n
mn = bk an−k (3.67)
n + 1 k=o

p(x) F (x)

a b x

Fig. 3.3 – Loi uniforme

Fonction caractéristique

1
φx (q) = (ejqb − ejqa ) (3.68)
j(b − a)q

3.4.5 Loi de Gauss ou loi normale


Variable à une dimension
Densité de probabilité. La variable aléatoire scalaire réelle X est dite gaussienne ou normale
si sa densité de probabilité est de la forme

1 (x−m)2
p(x) = √ e− 2σ2 (3.69)
σ 2π
Cette loi est unimodale et symétrique autour de m. (Fig. 3.4)
En utilisant la fonction
r Z
2 z ξ2
erf(z) = −erf(−z) = e− 2 dξ; z ≥ 0 (3.70)
π 0

on peut écrire la fonction de répartition sous la forme :

1 x−m
F (x) = [1 + erf √ ] (3.71)
2 σ 2
3.4. QUELQUES LOIS DE PROBABILITÉ IMPORTANTES 35

p(x) F (x)
1
0.4

0.242 0.5

0.16

m−σ m x

Fig. 3.4 – Loi Gaussienne

Moments.

m1 = E{X} = m
m2 = E{X 2 } = σ 2 + m2 ; µ2 = σ 2
µ3 = 0
µ4 = 3σ 4
...
µ2n−1 = 0
µ2n = (2n − 1)!! σ 2n (3.72)

Fonction caractéristique
σ 2 q2
ψx (q) = ejmq e− 2 (3.73)

Propriétés

– Stabilité : si X1 et X2 sont des variables gaussiennes de paramètres


q (m1 , σ1 ) et (m2 , σ2 ),
respectivement, X1 + X2 est gaussienne de paramètres (m1 + m2 , σ12 + σ22 ).

– On a vu qu’en général, la connaissance des moments de tous les ordres est nécessaire pour
définir une variable aléatoire. Dans le cas de la loi de Gauss, les deux premiers moments
suffisent.

– Si X est normale, Y = aX + b l’est aussi, a et b étant certains.

Variable à plusieurs dimensions.


Densité de probabilité. La variable aléatoire réelle vectorielle X(n x 1) est dite normale si
s
Det C−1 − 1 (x−m)H C−1 (x−m)
p(x1 , ..., xn ) = e 2 (3.74)
(2π)n
où m (vecteur n x 1) est l’espérance mathématique de X
36 CHAPTER 3. VARIABLES ALÉATOIRES.

Propriétés.
1. Une variable vectorielle normale est entièrement définie par sa moyenne et sa matrice de
covariance.
2. Les densités de probabilité conditionnelles et marginales sont toutes gaussiennes.
NB : L’inverse n’est pas toujours vrai. Par exemple si X1 est normale (m = 0, σ = 1) et si
X2 = X1 avec une probabilité 1/2
(3.75)
−X1 avec une probabilité 1/2

X1 et X2 sont normales, mais la variable bidimensionnelle (X1 , X2 ) ne l’est pas.


3. La condition nécessaire et suffisante pour que les composantes X1 , ..., Xn d’une distribu-
tion normale à n dimensions soient indépendantes est qu’elles ne soient pas corrélées (C di-
agonale). L’indépendance statistique et l’indépendance en moyenne sont donc équivalentes
pour la loi normale.
4. Toute transformation linéaire sur des variables gaussiennes conserve le caractère nor-
mal. En particulier, il existe une transformation linéaire qui rend les nouvelles variables
indépendantes.

Exemple : n = 2, variables centrées

" # " # " # " #


m1 0 σ12 µ 1 σ12 −µ
m= = ; C= ; C−1 = 2 2 ;
m2 0 µ σ22 σ1 σ2 − µ 2 −µ σ22
 
Det C−1 = σ12 σ22 − µ2 )2 ;
2 2 2 2
1 σ2 x1 −2µx1 x2 +σ1 x2
1 2
.
σ 2 σ 2 −µ2
p(x1 , x2 ) = q e 1 2 (3.76)
2π σ12 σ22 − µ2

3.4.6 Loi de Rayleigh


Densité de probabilité.

(
0 si x < 0
p(x) = x
x − 2σ 2
2 (3.77)
σ2 e si x ≥ 0
Fonction de répartition :
x2
F (x) = 1 − e− 2σ2 pour x ≥ 0 (3.78)

Moments

r
π
m1 = σ
2
..... µ2 = σx2 = 2σ 2
n n
mn = (2σ 2 ) 2 C(1 + ) (3.79)
2
3.4. QUELQUES LOIS DE PROBABILITÉ IMPORTANTES 37

Fonction Caractéristique

r  
π p2 p
ψx (q) = 1 + pe 2 1 − erf √ (3.80)
2 2
jq
avec p = σ

Interprétation
q
Si X1 et X2 sont deux variables normales centrées de variance σ 2 , la variable X = X12 + X22
suit la loi de Rayleigh.
Exemple : tir sur une cible avec des dispersions égales suivant les axes vertical et horizontal ;
le rayon du point d’impact suit la loi de Rayleigh. Autre Exemple : Canal caractérisé par
des chemins multiples. Dans le cas d’un canal physique réel, les réflexions, de quelque type
qu’elles soient, font emprunter plusieurs chemins au signal. L’expression du signal reçu devient
alors :
X
L
r(t) = αi (t)e−ı2π(fc τi (t)+φi (t)) δ(τ − τi (t)) (3.81)
i=0

où αi (t) sont les amplitudes des chemins i et τi (t) les délais. Dans ce cas, on peut exprimer le
signal équivalent passe-bas par : 3

X
r(t) = αn (t)e−jωc τn (t) u[t − τn (t)] (3.82)
n

La réponse impulsionnelle du canal équivalent passe-bas a donc l’expression :

X
C(τ ; t) = αn (t)e−jωc τn (t) δ[τ − τn (t)] (3.83)
n

Dans le cas où u(t) = 1, le signal reçu devient :

X
r(t) = αn (t)e−jθn (t) (3.84)
n

On voit clairement que cette somme, en fonction des angles θn (t), peut engendrer des af-
faiblissements importants par interférences destructives. 4 On parle dans ce cas de canal à
évanouissement (fading channel). En général, on peut approximer C(τ ; t) par un processus
gaussien complexe de moyenne nulle. De par ce qui a été dit ci-dessus, on déduit immédiattement
que l’enveloppe |C(τ ; t)| suit une loi de Rayleigh. On parle dans ce cas de canal de Rayleigh.
De plus, si des réflecteurs ou obstacles fixes existent, C(τ ; t) n’est plus à moyenne nulle et on a
un canal de Rice.

3. En bref, le signal équivalent passe-bas correspond au signal passe-bande en ce sens que son spectre a la
même allure, mais qu’il est translaté pour avoir une ((frq́uence centrale)) nulle. On a alors, si s(t) est le signal
émis passe-bande, u(t), le signal émis équivalent passe-bas sera relié à s(t) par : s(t) = Re[u(t)ejωc t ].
4. Un cas simple est celui où on a deux chemins de même amplitude et de phase opposée
38 CHAPTER 3. VARIABLES ALÉATOIRES.

3.4.7 Loi de Rice


Densité de probabilité.
Soit Y = X12 + X22 où X1 et X2 sont des variables gaussiennes centrées et indépendantes de
moyenne m1 et m2 et de variance σ 2 . On note s2 = m21 + m22 . La densité de probabilité de Y
vaut :  
1 − s2 +y √ s
p(y) = 2 e 2σ 2 .I0 y 2 ; y≥0 (3.85)
2σ σ

En définissant R = Y , on obtient :
 
r s2 +r 2 rs
p(r) = 2 e− 2σ2 .I0 ; r≥0 (3.86)
σ σ2
Qui est la densité de probabilité d’une variable aléatoire Ricienne.
Fonction de répartition :

s2 X

s rs
+ σr 2 )/2
F (r) = 1 − e−( σ ( )k Ik ( 2 ) (3.87)
k=0
r σ
où Ik () sont les fonctions de Bessel d’ordre k.
39

Chapter 4

Fonctions aléatoires

4.1 Notion de fonction aléatoire.


Le calcul des probabilités traite de variables aléatoires qui ne dépendent pas, du moins
explicitement, du temps ou d’autres paramètres tels que les coordonnées spatiales ; on traite de
variables et non de fonctions.
On peut introduire la notion de fonction aléatoire comme étant une fonction du temps et
d’un certain nombre de variables aléatoires, e.g.

X(t) = A sin(ωt + φ) (4.1)

où A, ω et φ sont des variables aléatoires. En multipliant le nombre de paramètres aléatoires,


on peut arriver à définir de cette manière des fonctions aléatoires très générales, par exemple :

X
n
X(t) = Ak sin(ωk t + φk ) (4.2)
k=1

Si l’on considère l’ensemble des fonctions définies de cette manière, on appelle une réa-
lisation de la fonction aléatoire X(t), une fonction Xr (t) où une épreuve a été faite sur les
paramètres.
Une autre manière de définir la notion de fonction aléatoire est de dire qu’elle représente
un processus où le hasard peut intervenir à tout moment. On arrive alors naturellement à la
définition suivante :

Une fonction aléatoire (réelle ou complexe, à une ou plusieurs dimensions) de l’argument


t est, pour toute valeur de t, une variable aléatoire (réelle ou complexe, à une ou plusieurs
dimensions)

L’argument t sera considéré comme une variable réelle à une dimension, généralement le
temps. On peut étendre l’étude à des arguments à plusieurs dimensions, par exemple les coor-
données spatiales.
Il est évident que la théorie à établir ne devra pas seulement décrire la variable aléatoire
X(t1 ), mais aussi les interdépendances qui existent entre les variables aléatoires X(t1 ), X(t2 ), . . .
pour divers instants.
40 CHAPTER 4. FONCTIONS ALÉATOIRES

4.2 Fonctions de répartition et densités de probabilité


Soit une fonction aléatoire scalaire X(t), on peut caractériser la variable aléatoire Xt1 =
X(t1 ) par sa fonction de répartition ou sa densité de probabilité pXt1 (x1 , t1 ), fonction des deux
variables x1 et t1 . Mais ce n’est pas suffisant pour déterminer la fonction aléatoire, car on ne
sait rien de l’interdépendance des valeurs prises à des instants différents.
Si l’on considère n valeurs de l’argument t1 , t2 , . . . , tn , on obtient la variable aléatoire à n
dimensions [Xt1 , . . . , Xtn ] que l’on doit caractériser par la densité de probabilité

pXt1 ...Xtn (x1 , t1 ; x2 , t2 ; . . . ; xn , tn ) (4.3)


appelée densité de probabilité du neme ordre.
La connaissance de la densité de probabilité du neme ordre fournit automatiquement celle
des densités d’ordre inférieur à n, car ce sont des densités marginales pouvant se calculer par
la formule :

pXt1 ...Xtk (x1 , t1 ; x2 , t2 ; . . . ; xn , tk )


Z
+∞ Z
+∞
= ... pXt1 ...Xtn (x1 , t1 ; x2 , t2 ; . . . ; xn , tn )dxk+1 . . . dxn (4.4)
−∞ −∞

On peut aussi faire intervenir les densités de probabilité conditionnelle et écrire :

pXt1 ...Xtn (x1 , t1 ; x2 , t2 ; . . . ; xn , tn )


= pXt1 (x1 , t1 )pXt2 (x2 , t2 |x1 , t1 ) . . . pXtn (xn , tn |x1 , t1 ; x2 , t2 ; . . . ; xn−1 , tn−1 ) (4.5)

On admettra qu’une fonction aléatoire est complètement définie par sa densité de probabilité
d’ordre n → ∞. Il suffit donc, en principe de procéder aux extensions de la théorie des variables
aléatoires pour une nombre de variables infini.
Ces notions peuvent être extrapolées sans difficulté aux fonctions aléatoires multidimension-
nelles ou complexes.
Il est certain que l’on ne connaı̂tra que très rarement les densités de probabilité de tous
ordres, mais on verra que de nombreux problèmes relatifs à la transmission de l’énergie peuvent
être résolus si l’on connaı̂t la densité de probabilité d’ordre 2. Cette connaissance est d’ailleurs
suffisante pour caractériser complètement les fonctions aléatoires gaussiennes.

4.3 Classification des fonctions aléatoires selon leurs propri-


étés statistiques.
4.3.1 Fonction aléatoire à valeurs indépendantes.
La fonction aléatoire X(t) est dite à valeurs indépendantes si, pour tout ensemble de valeurs
(t1 , . . . , tn ), n quelconque, différentes de l’argument, les variables aléatoires Xt1 , . . . , Xtn sont
indépendantes. On a alors :

pXt1 ...Xtn (x1 , t1 ; x2 , t2 ; . . . ; xn , tn ) = pXt1 (x1 , t1 )pXt2 (x2 , t2 ) . . . pXtn (xn , tn ) (4.6)
Une telle fonction aléatoire est entièrement définie par sa première densité de probabilité.
A tout instant, le futur est indépendant du présent et du passé, car on peut écrire :
4.4. MOMENTS D’UNE FONCTION ALÉATOIRE 41

pXtn (xn , tn |x1 , t1 ; x2 , t2 ; . . . ; xn−1 , tn−1 ) = pXtn (xn , tn ) (4.7)

4.3.2 Fonction aléatoire à valeurs non corrélées ou orthogonales.


La fonction aléatoire X(t) est dite à valeurs non corrélées ou orthogonales si, pour tout
couple de valeurs différentes de l’argument (t1 , t2 ), les variables aléatoires Xt1 et Xt2 sont non
corrélées (orthogonales), c’est-à-dire :

non corrélation Cov[Xt1 , Xt2 ] = 0 (4.8)


orthogonalité E{Xt1 } = E{Xt2 } = 0 et Cov[Xt1 , Xt2 ] = 0 (4.9)

La notion de non-corrélation est un affaiblissement de celle d’indépendance et est surtout


utile dans la théorie du second ordre 1 . Les deux notions se confondent pour des fonctions
aléatoires normales.

4.3.3 Fonction aléatoire additive.


C’est une fonction aléatoire à accroissements indépendants : pour tout ensemble de n couples
de valeurs différentes (t′k , t”k ), k = 1, . . . , n (n quelconque), les accroissements ∆k = Xt”k − Xt′k
sont des variables aléatoires indépendantes.

4.3.4 Fonction aléatoire gaussienne


La fonction aléatoire X(t) est normale ou gaussienne si, pour tout ensemble de valeurs
(t1 , . . . , tn ) de l’argument (n quelconque), la variable aléatoire vectorielle à n dimensions X =
[Xt0 · · · Xtn ]T est normale, c’est-à-dire :
s
DetC−1 − 1 (x−m)H C−1 (x−m)
pXt1 ...Xtn (x1 , t1 ; x2 , t2 ; . . . ; xn , tn ) = e 2 (4.10)
(2π)n
où

m = E{X} (4.11)

4.4 Moments d’une fonction aléatoire


4.4.1 Moyenne ou espérance mathématique
Soit une fonction aléatoire réelle ou complexe, scalaire ou vectorielle X(t). La moyenne
ou espérance mathématique de X(t) est une fonction certaine réelle ou complexe, scalaire ou
vectorielle de même dimension que X(t), égale à tout instant t à la moyenne de la variable
aléatoire X(t).
On note :
mx (t) ou E{X(t)} (4.12)

1. i.e. si on étudie uniquement les densités de probabilité d’ordre un et deux


42 CHAPTER 4. FONCTIONS ALÉATOIRES

Il s’agit d’une moyenne d’ensemble définie par


Z ∞
mx (t) = xpX (x, t)dx (X scalaire réelle) (4.13)
−∞
où le temps n’intervient que comme variable muette. Par exemple, si l’on étudie la tension de
bruit à la sortie d’un amplificateur, on peut s’imaginer que l’on dispose de n amplificateurs
macroscopiquement identiques et que l’on fasse à l’instant t la moyenne des tensions de sortie
des amplificateurs. Pour n → ∞, cette moyenne tend vers mx (t), en probabilité.

4.4.2 Variance. Covariance.


Covariance d’une fonction aléatoire.
Soit une fonction aléatoire réelle ou complexe, scalaire ou vectorielle X(t) de dimension
nx1. La matrice de covariance de X(t) est une fonction certaine réelle ou complexe, scalaire ou
matricielle (de dimension n x n) fonction de t et t′ égale pour tout couple (t, t′ ) à la covariance
des variables aléatoires X(t) et X(t′ ).
H
Cx (t, t′ ) = E{[X(t) − mx (t)][X(t′ ) − mx (t′ )] } (4.14)

Variance d’une fonction aléatoire.


Il s’agit de la covariance pour t = t′
σx2 (t) = Cx (t, t) (4.15)

Covariance mutuelle de deux fonctions aléatoires.


Soient deux fonctions aléatoires X(t) et Y (t) de dimensions (n x 1) et (m x 1), respective-
ment. Leur matrice de covariance mutuelle est, par définition, la matrixe (n x m) fonction de t
et t′
H
CXY (t, t′ ) = E{[X(t) − mx (t)][Y (t′ ) − my (t′ )] } (4.16)

4.4.3 Propriétés des variances et covariances


Fonctions aléatoires scalaires, réelles ou complexes.

σx2 (t) = CX (t, t) ≥ 0 (4.17)



CX (t, t ) = C∗X (t′ , t) (4.18)
q
|CX (t, t′ )| ≤ σx2 (t)σx2 (t′ ) (4.19)
Ceci est une conséquence immédiate des propriétés d’hermiticité et de non négative définition
de la matrice" de covariance
# d’une variable aléatoire vectorielle appliquées à la variable à deux
X(t)
dimensions .
X(t′ )
La fonction de covariance est définie non négative, c’est-à-dire que, pour toute fonction
continue ξ(t), on a Z Z
ξ ∗ (t)Cx (t, t′ )ξ(t′ )dt dt′ ≥ 0 (réel !) (4.20)
τ τ
4.5. STATIONNARITÉ ET ERGODISME 43

Fonctions aléatoires vectorielles, réelles ou complexes.

On peut assez aisément étendre aux fonctions aléatoires vectorielle les propriétés qui vennent
d’être démontrées pour les fonctions scalaires : les variances, covariances et covariances mutuelles
sont des matrices telles que :

H
CX (t, t′ ) = CX (t′ , t)H ; σx 2 (t) = σx2 (t) (4.21)
  q
| CX (t, t′ ) ij |≤ [CX (t, t)]ii [CX (t′ , t′ )]jj (4.22)
CXY (t, t′ ) = CYX H (t′ , t) (4.23)

Si ξ(t) est un vecteur à n dimensions :


Z Z
ξ H (t)Cx (t, t′ )ξ(t′ )dt dt′ ≥ 0 (4.24)
τ τ

4.4.4 Fonctions aléatoires non corrélées ou orthogonales.


Pour une fonction vectorielle, la non corrélation revient à la nullité de la matrice de covari-
ance (Cx (t, t′ )) pour t 6= t′ . On aura non corrélation de deux fonctions aléatoires X(t) et Y(t)
si la matrice de covariance mutuelle CXY (t, t′ ) est identiquement nulle, même pour t = t′ et
orthogonalité si, en outre, mx = my = 0.

4.5 Stationnarité et Ergodisme


4.5.1 Stationnarité.
Il est courant, dans la pratique, que les propriétés statistiques d’une fonction aléatoire ne
semblent pas évoluer au cours du temps ; c’est souvent le cas pour une tension de bruit observée
à l’oscilloscope. Mathématiquement, on exprime cette permanence en introduisant les concepts
de stationnarité. Cette notion est cependant réservée aux fonctions aléaoires s’étendant du
le domaine −∞ < t < ∞, de sorte que, rigoureusement, de telles fonctions n’existent pas.
Cependant, si les caractéristiques statistiques d’une fonction aléatoire ne se modifient pas sur
la durée d’observation, on peut toujours imaginer qu’il en est de même sur tout le passé et le
futur.

Stationnarité stricte.

Une fonction aléatoire est dite strictement stationnaire si toutes ses densités de probabilité ne
dépendent pas du choix de l’origine des temps, c’est-à-dire ne changent pas lorsqu’on remplace
t par t + t0 , t0 quelconque.
Ceci implique que la première densité de probabilité est indépendante de t et que la neme
densité de probablité (n quelconque) ne dépend des ti que par les seules différences t2 − t1 , t3 −
t1 , . . . , tn − t1 (en prenant t1 comme référence).
Cette notion n’étant guère utilisable en pratique, on introduit la stationnarité faible.
44 CHAPTER 4. FONCTIONS ALÉATOIRES

Stationnarité faible (au sens large).


Définition.

– La fonction aléatoire réelle ou complexe, scalaire ou vectorielle X(t) est dite


faiblement stationnaire si son espérance mathématique est indépendante de t
et si sa covariance ne dépend de t et t′ que par la différence t − t′ .

mx (t) = m constante (4.25)

Cov[X(t)] = CX (τ ) avec τ = t − t′ (4.26)

– Deux fonctions aléatoires X(t) et Y (t) sont dites mutuellement stationnaires


au sens faible si elles sont chacune faiblement sationnaires et si en outre leur
covariance mutelle ne dépend que de τ = t − t′ .

Propriétés des variances et covariances. Les propriétés générales des variances et covari-
ances se transposent de la manière suivante pour les fonctions aléatoires faiblement sationnaires :

1. σx2 = CX (0) est une constante (scalaire ou matrice).

2. Hermiticité : CX (τ ) = CX (−τ )H ; CXY (τ ) = CY X (−τ )H

3. Positive-définition

– Pour une fonction scalaire :


σx2 = CX (0) ≥ 0 (nécessairement réel)
|CX (τ )| ≤ CX (0)

Pour une fonction vectorielle, outre cette propriété valable pour chaque composante,
i.e. pour les éléments diagonaux de la matrice de covariance comparés à ceux de la
matrice de variance, on a
q
| [CX (τ )]ij | ≤ [σx2 ]ii [σx2 ]jj (4.27)

– La matrice §X (ω) = F{CX (τ )}, dont les éléments sont les transformées de Fourier
de ceux de la matrice de covariance, est définie non négative. En particulier, pour
une fonction scalaire réelle ou complexe : §X (ω) ≥ 0 et pour deux fonctions scalaires
réelles ou complexes
p
|SXY (ω)| = |SY∗ X (ω)| ≤ SX (ω)SY (ω)

Cas des fonctions aléatoires périodiques. Une fonction aléatoire X(t) est dite périodique,
de période T , si son espérance mathématique est périodique et si sa fonction de covariance
Cx (t, t′ ) est périodique en t et en t′ .
Il en est ainsi si toutes les réalisations possibles de la fonction le sont. Inversement, si mx (t)
et CX (t, t′ ) sont périodiques, X(t) et X(t − T ) sont égales avec une probabilité unité.
4.5. STATIONNARITÉ ET ERGODISME 45

Bien sur, une fonction aléatoire périodique n’est pas nécessairement stationnaire au sens
faible, mais pour la rendre telle, il suffit de la décaler sur l’axe t d’une quantité t0 qui est une
variable de chance sur le domaine [0, T ], c’est-à-dire de rendre l’origine de la période purement
aléatoire.

4.5.2 Ergodisme.
Dans la pratique, on dispose souvent d’une seule réalisation de la fonction aléatoire à l’étude.
On imagine difficilement devoir construire un millier d’amplificateurs pour déterminer les car-
actéristiques statistiques de ceux-ci. Dès lors, on est confronté à la question suivante : dans
quelle mesure peut-on déduire de la réalisation dont on dispose (la seule et unique) certaines
caractéristiques statistiques de la fonction aléatoire, par exemple des moments qui sont des
moyennes faites sur l’ensemble des réalisation ? La théorie de l’ergodisme tente de répondre à
cette quesiton, principalement pour des fonctions aléatoires.
En bref, cette théorie essayera de rapprocher les moyennes d’ensemble (moyenne des vari-
ables aléatoires Xti des moyennes temporelles (notées < X(t0 ) >)
Typiquement, on considère une variable aléatoire définie à partir d’une fonction aléatoire,
généralement une fonction des valeurs prises par la fonction aléatoire à divers instants :

η = f [Xt1 , . . . , Xtn ] (4.28)


Par exemple Xt1 ou le produit Xt1 Xt2 . En faisant l’hypothèse que X(t) est stationnaire, on
peut espérer qu’en faisant “glisser” sur l’axe des temps l’échantillon Xr (t) disponible, i.e. en
considérant Xr (t + t0 ), et ce pour tout t0 , on obtienne un ensemble de fonctions présentant les
mêmes propriétés que l’ensemble des réalisations de la fonction aléatoire X(t).
Nous obtenons alors, pour η :

η(t0 ) = f [Xt0 +t1 , . . . , Xt0 +tn ] (4.29)


et on peut calculer des moyennes de η(t0 ) sur l’ensemble des fonctions glissées :
Z T
1
< η >≡ lim η(t0 )dt0 (4.30)
T →∞ T 0
dont on peut espérer qu’elle tende vers la moyenne d’ensemble E{f } = E{η}.
Evidemment, η étant une variable aléatoire, η(t0 ) est une fonction aléatoire ; pour obtenir
la moyenne temporelle < η >, il faut intégrer et prendre un passage à la limite.
Comme nous étudions surtout la théorie du second ordre, nous nous intéresserons unique-
ment à la possiblité de déterminer mx (t) et CX (t, t′ ) dans le cadre cohérent d’hypothèses :

– convergence en moyenne quadratique :

– On dit que la suite de fonctions aléatoires Xn (t) définies sur t ∈ τ converge en


moyenne quadratique pour n → ∞ vers la fonction aléatoire X(t) définie sur τ , et
l’on écrit :

l.i.m. Xn (t) = X(t)


n→∞ (4.31)

si, pour tout t ∈ τ , la variable aléatoire Xn (t) converge en moyenne vers X(t), i.e.
si :
46 CHAPTER 4. FONCTIONS ALÉATOIRES

lim E{|Xn (t) − X(t)|2 } = 0 (4.32)


n→∞

– On dit que la fonction aléatoire X(t) converge en moyenne quadratique pour t → t0


vers la variable aléatoire X0 , et l’on écrit:

l.i.m. X(t) = X0
n→∞ (4.33)

si
lim E{|X(t) − X0 |2 } = 0 (4.34)
t→t0

– intégrale en moyenne quadratique

– Définition : L’intégrale en moyenne quadratique de la fonction aléatoire X(t) est,


quand elle existe, la variable aléatoire :
Z b Pn ′
X(t) dt = l.i.m. k=1 X(tk,n )(tk,n − tk−1,n )
a (4.35)
n→∞

avec
a = t0,n < t1,n < . . . < tn,n = b partition de (a,b)

(tk,n − tk−1,n ) → 0 quand n → ∞

t′k,n point quelconque de (tk−1,n , tk,n )


Z b
– Théorème : La condition nécessaire et suffisante d’existence de X(t) dt est l’ex-
a
istence des intégrales certaines :
Z b Z bZ b
mx (t) dt ; CX (t, t′ ) dt dt′ (4.36)
a a a

– stationnarité faible.

Moyennes temporelles.
Moyenne temporelle d’une fonction aléatoire X(t) C’est, quand elle existe,
" Z #
t0 +T
1
< X(t0 ) >= l.i.m. Y (T, t0 ) ≡ T X(t) dt
t0 (4.37)
T→∞

On notera qu’en effectuant un changement de variable :


Z T
1
Y (T, t0 ) = X(t + t0 ) dt (4.38)
T 0

Y (T, t0 ) est une variable aléatoire dont la limite < X(t0 ) > est en général aléatoire et
dépendante de t0 , ayant les mêmes dimensions que X(t).
4.5. STATIONNARITÉ ET ERGODISME 47

Valeur quadratique moyenne (temporelle) d’une fonction aléatoire X(t). C’est,


quand elle existe :
 tZ

0 +T

< |X(t0 )|2 >= l.i.m. Y (T, t0 ) ≡ 1


T |X(t)|2 dt
(4.39)
t0
T→∞

C’est une variable aléatoire scalaire positive, dépendant de t0 . Cette notion est surtout utilisée
pour une fonction aléatoire scalaire, auquel cas elle prend souvent la significaiton d’énergie
moyenne de la réalisation X(t), à un facteur constant près.

Fonction de corrélation d’une fonction aléatoire X(t) < X(t0 ) > étant supposé exis-
tant, c’est, quand elle existe :

 tZ

0 +T

RX (τ, t0 ) = l.i.m. Y (T, t0 ) ≡ 1


T [X(t + τ )− < X(t0 + τ ) >][X(t)− < X(t0 ) >] H
dt
t0
T→∞

(4.40)
C’est en général une matrice aléatoire (n x n) si X(t) est un vecteur (n x 1), fonction
aléatoire de τ et de t0 .

Fonction de corrélation mutuelle de deux fonctions aléatoires X(t) et Y (t) On sup-


pose < X(t0 ) > et < Y (t0 ) > existants. C’est, quand elle existe :

 tZ

0 +T

RXY (τ, t0 ) = l.i.m. Y (T, t0 ) ≡ 1


T [X(t + τ )− < X(t0 + τ ) >][Y (t)− < Y (t0 ) >]H dt
t0
T→∞

(4.41)
C’est en général une matrice aléatoire (n x m).

Ergodisme au sens large d’une fonction aléatoire.

Définition : une fonction aléatoire (non nécessairement stationnaire) est ergodique au


sens large si < X(t0 ) > existe et est une variable aléatoire indépendante de t0 .

Théorème : si X(t) est faiblement stationnaire et intégrable en moyenne quadratique sur


tout intervalle fini, elle est ergodique au sens large.
48 CHAPTER 4. FONCTIONS ALÉATOIRES

Ergodisme au sens strict d’une fonction aléatoire.

Définition : une fonction aléatoire (non nécessairement stationnaire) est ergodique au


sens strict si

1. < X(t0 ) > existe et est un nombre certain indépendant de t0 . (on le note < X >) ;

2. < X >= lim mx (t)


t→∞
Cette limite étant supposée existante. Ce n’est pas toujours le cas, même lorsque
mx (t) est fini. Par exemple X(t) = A sin(ωt) où A est aléatoire, a une espérance
mathématique mx (t) = mA sin(ωt).

Ergodisme relativement à la fonction de corrélation.

Définition : une fonction aléatoire scalaire faiblement stationnaire X(t) est ergodique
relativelent à sa fonction de corrélation si :

1. elle est strictement ergodique ;

2. sa fonction de corrélation RX (τ, t0 ) existe, est certaine et indépendante de t0 . On la


note RX (τ ) ;

3. RX (τ ) = CX (τ ). La fonction de corrélation est égale à la fonction de covariance

Conclusions.
Dans les applications, on suppose fréquemment qu’il y a ergodisme relativement à la fonciton
de corrélation, bien que souvent on ne pouiss le démontrer du fait d’une connaissance insuffisante
du modèle mathématique de la fonction aléatoire stationnaire. Cette hypothèse ergodique revient
à admettre l’égalité des moyennes d’ensmeble et des moyennes temporelles jusqu’au deuxième
ordre, ces dernières étant calculées sur la réalisation dont on dispose.

mx =< X >
CX (τ ) = RX (τ )
σx2 = CX (0) = RX (0) =< |X − mx |2 >

En particulier, l’égalité des fonctions de corrélation (facile à estimer) et de covariance (plus


difficile) est d’une importance capitale pour la détermination de la bande passante (transformée
de Fourier de la covariance) et des propriétés d’indépendance et d’orthogonalité des signaux.
49

Chapter 5

Modulations analogiques : les


principes.

5.1 Rôle de la modulation


Nous avons déjà indiqué que la plupart des signaux de source devaient être adaptés de
manière à pouvoir être envoyé sur le canal, c’est le rôle principal de la modulation. Dans la
première partie de ce cours, nous nous attachons aux modulations analogiques, ce qui veut dire
que le message (ou signal de source) est de nature analogique et qu’elle n’est pas transformée
au préalable en signal numérique. On peut détailler les différents rôles de la modulation de la
manière suivante.
Facilité d’émission La longueur d’onde d’une onde électromagnétique, et donc la taille de
l’antenne nécessaire à l’émission, est inversément proportionnelle à sa fréquence. Il est
donc évident que pour avoir des tailles d’antennes acceptables, il est impératif de moduler
les signaux BF (parole de 0 à 4 kHz). D’autre part, des considérations de distances de
rayonnement (plus faibles à 100 MHz qu’à 10 MHz par exemple) guideront le choix des
fréquences utilisées et éventuellement des types de modulation
Réduction du bruit et des interférences Dans la suite de ce cours, nous verrons comment
la modulation FM par exemple permet de réduire l’influence du bruit additif, au dépens
d’une largeur de bande supérieure.
Choix d’un canal fréquentiel Voir le récepteur hétérodyne !
Multiplexage fréquentiel Par exemple dans le cas de la téléphonie, on groupera un nombre
important de communications sur un seul canal (un câble coaxial par exemple) en les
décalant en fréquence sur la bande passante disponible (figure 5.1)
Si on considère que l’on désire un signal “autour d’une fréquence centrale”, nous obtenons
une expression générique de ce signal de la manière suivante :

s(t) = A(t)[sin(ωc (t)t + φ(t)] (5.1)


On peut alors caractériser les différents types de modulation (qu’elles soient numériques ou
analogiques d’ailleurs):
La modulation d’amplitude où on fait varier A(t) en fonction du temps, les autres para-
mètres (ωc et φ) étant constants.
50 CHAPTER 5. MODULATIONS ANALOGIQUES : LES PRINCIPES.

signaux de base
f

multiplex

Fig. 5.1 – Exemple de multiplex fréquentiel.

La modulation de fréquence où on fait varier ωc (t)

La modulation de phase où on fait varier φ(t).

Rien ne nous empêche évidemment de croiser les modulations. Nous verrons que dans le cas
numérique, on utilise des modulations d’amplitude et de phase en même temps.

5.2 La modulation d’amplitude


5.2.1 Modulation DSB (Double Side Band).
Soit un message m(t), la signal modulé en amplitude est donné par l’expression :

sdsb (t) = A[1 + Km(t)] sin(ωc t) (5.2)


où l’on a fait l’hypothèse que |m(t)| < 1. L’amplitude instantannée est donc bien propor-
tionnelle au signal modulant dans ces conditions.
K est appelé l’indice de modulation et déterminera la profondeur de modulation. Idéalement
K < 1, sans quoi la détection d’enveloppe que nous verrons plus loin est impossible. Le
graphique ci-dessous illustre l’allure temporelle des signaux.

Spectre du signal DSB


En utilisant le théorème de modulation, on démontre aisément que le spectre du signal DSB
vaut :

AK
Sdsb (ω) = πA[δ(ω + ωc ) + δ(ω − ωc )] + [M (ω + ωc ) + M (ω − ωc )] (5.3)
2
On y reconnait les deux bandes latérales dans M (ω + ωc ) aux fréquences positives et M (ω −
ωc ) aux fréquences négatives ainsi que la porteuse (δ(ω + ωc ) et δ(ω − ωc ). La figure 5.3 illustre
cela.
En fait, “l’apparition” des deux bandes latérales est probablement la première bonne justi-
fication à la “réalité mathématique” des fréquences négatives. Celles-ci, quoique intuitivement
5.2. LA MODULATION D’AMPLITUDE 51

m(t) 1

-1
0 100 200 300 400 500 600 700 800 900 1000
1
porteuse

-1
0 100 200 300 400 500 600 700 800 900 1000
2
K=1

-2
0 100 200 300 400 500 600 700 800 900 1000
2
K=0.5

-2
0 100 200 300 400 500 600 700 800 900 1000
5
K=4

-5
0 100 200 300 400 500 600 700 800 900 1000

Fig. 5.2 –
5.2. LA MODULATION D’AMPLITUDE 53

On peut écrire p(t) sous la forme :


 
1 2 cos 3ωc t cos 5ωc t
p(t) = + cos ωc t − + − ... (5.6)
2 π 3 5
Après filtrage passe-bande autour de ωc on obtient donc bien un signal du type [cste +
m(t)] sin ωc t.

Démodulateur DSB : le détecteur d’enveloppe


On pose l’hypothèse |Km(t)| ≤ 1 ⇒ 1 + Km(t) ≥ 0, où on suppose généralement que m(t)
est à moyenne nulle. Dans ce cas, on a le détecteur d’enveloppe de la figure 5.6.

C R

Fig. 5.6 – Détecteur d’enveloppe : montage série

Les hypothèses sur le circuit sont :

1. La source du signal de réception a une impédance nulle.

2. La diode est idéale (R = Rd dans le sens passant)


1
3. La constante de temps RC est grande par rapport à ωc

0 100 200 300


54 CHAPTER 5. MODULATIONS ANALOGIQUES : LES PRINCIPES.

Le principe de fonctionnement est illustré à la figure 5.7. Quand la tension d’entrée est plus
grande que la tension de sortie, la diode est passante et le signal de sortie suit le signal d’entrée
fidèlement, pour peu que la résistance de diode Rd ne soit pas trop grande. Quand la tension
d’entrée est plus faible, la diode devient bloquante et on assiste simplement à la décharge du
réseau RC. Les conditions sur celui-ci sont simplement:

1 1
<< RC << où F0 est la plus grande fréquence contenue dans m(t) (5.7)
fc F0
Si la constante RC est trop faible, on a une décharge trop rapide comme indiqué en figure
??, dans le cas contraire, on observe un décrochage de l’enveloppe

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 100 200 300 400 500 600 700 800 900 1000

Fig. 5.8 – Décrochage du détecteur d’enveloppe

Répartition de la puissance dans le spectre


Dans la mesure où la porteuse est à une pulsation élevée par rapport à la largeur de bande
(i.e. ωc >> ΩO où Ω0 est la pulsation la plus élévée de m(t)), on peut considérer que la puissance
instantannée du signal vaut (Tc = 1/ωc ):
Z
1 t+Tc 2
P (t) = r (t)dt
Tc t
1
≈ A2 (t) (5.8)
2

dsapproxP0 [1 + Km(t)]2

Cette puissance fluctue entre P0 (1 − K)2 et P0 (1 + K)2 . On peut calculer la puissance


moyenne :

P = P0 [1 + 2Km(t) + K 2 m2 (t)] (5.9)

où le surlignage signifie la valeur moyenne temporelle. Dans le cas classique d’un message à
moyenne nulle, on a donc :
5.2. LA MODULATION D’AMPLITUDE 55

P = P0 [1 + K 2 m2ef f ] (5.10)

Ce qui signifie que dans le meilleur des cas (K = 1 si on a effectué la normalisation |m(t)| ≤
1 ⇒ m2ef f = 12 pour un signal sinusoı̈dal) la porteuse utilise 66 % de la puissance totale. Dans
des cas plus réaliste, la puissance de la porteuse est de plus de 90 % de la puissance totale. Ceci
amène naturellement à la modulation DSB-SC, où on a simplement éliminé la porteuse. Il est
cependant à noter qu’en radio-diffusion, c’est toujours la modulation DSB qui est utilisée, dans
le cas des émissions “AM”

5.2.2 Modulation DSB-SC (Double Side Band - Suppressed Carrier)


Le principe de cette modulation est extrêmement simple : on multiplie le message par la
porteuse :

sdsb−sc (t) = Am(t). cos ωc t (5.11)

où l’on a fait l’hypothèse que |m(t)| < 1.

Spectre du signal DSB-SC

En utilisant le théorème de modulation, on démontre aisément que le spectre du signal


DSB-SC vaut :

A
Sdsb−sc (ω) = [M (ω + ωc ) + M (ω − ωc )] (5.12)
2
On y reconnait les deux bandes latérales dans M (ω +ωc ) et M (ω −ωc ) tandis que la porteuse
a disparu. La figure 5.9 illustre cela.

−Ω Ω −ωc ωc ωc + Ω

Fig. 5.9 – Modulation DSB-SC, spectre.

Emetteur DSB-SC - Le modulateur balancé.

Le principe de base de l’émetteur DSB-SC consiste également à faire passer le message et


la porteuse dans une non linéarité, de manière à faire apparaı̂tre le produit de la porteuse et
du message en sortie, mais cette fois-ci sans la porteuse. D’un point de vue “schéma bloc”,
on parlera simplement d’un mélangeur. De tels circuits existent dans le commerce, nous allons
décrire le modulateur balancé, qui est utilisé pour les mélangeurs “basse fréquence” (jusque
quelque 10 MHz) sous une forme un peu plus évoluée que ci-dessous.
56 CHAPTER 5. MODULATIONS ANALOGIQUES : LES PRINCIPES.

m(t)

sin ωc t

m(t)

sin ωc t > 0

m(t)

sin ωc t < 0

Fig. 5.10 – Emetteur DSB-SC (principe)


5.2. LA MODULATION D’AMPLITUDE 57

Dans cet émetteur, nous faisons l’hypothèse que le signal m(t) est d’amplitude faible par
rapport à la porteuse A sin ωc t. Quand la porteuse est positive, les diodes croisées sont blo-
quantes et les autres sont passantes : on a donc +m(t) en sortie du modulateur ; dans le cas
inverse, ce sont les diodes croisées qui sont passantes et on a −m(t) en sortie.
Les caractéristiques idéales de la diode nous permettent d’écrire :

r(t) = m(t)p(t) (5.13)


où p(t) est un signal carré à la fréquence ωc , illustré à la figure 5.11.

sin ωc t

p(t)

Fig. 5.11 – Porteuse et signal p(t) en génération DSB-SC

On peut écrire p(t) sous la forme :


 
4 cos 3ωc t cos 5ωc t
p(t) = cos ωc t − + − ... (5.14)
π 3 5
Après filtrage passe-bande autour de ωc on obtient donc bien un signal du type m(t) cos ωc t.

Démodulation DSB-SC
La démodulation se fera simplement par le même principe, puisque si on prend :

m(t)
d(t) = r(t). cos ωc t = m(t) cos2 ωc t = [1 + cos 2ωc t] (5.15)
2
on obtient bien le signal m(t) après filtrage passe-bas, pour éliminer cos 2ωc t. D’autre part,
comme un exercice a pu l’illustrer, il est important d’effectuer la démodulation avec une por-
teuse en phase, sous peine d’observer une atténuation importante. C’est ce que l’on appelle
la démodulation cohérente. La difficulté de l’opération consistera donc principalement en la
récupération de porteuse. Un moyen simple d’effectuer cette récupération est d’élever le signal
au carré :

m2 (t)
d2 (t) = m2 (t) cos2 (ωc t + φ) = [1 + cos 2(ωc t + φ)] (5.16)
2
Comme m2 (t) comprend nécessairement une composante continue, on a obligatoirement une
raie à la fréquence 2fc (voir le théorème de modulation). On peut acquérir cette raie à l’aide
58 CHAPTER 5. MODULATIONS ANALOGIQUES : LES PRINCIPES.

d’un filtre passe-bande étroit (ou d’une boucle à verrouillage de phase) et effectuer une division
par deux. L’équation précédente montre bien que la phase sera ainsi récupérée correctement.

5.2.3 Modulation à Bande Latérale Unique (BLU, SSB: Single Side-Band)

Il parait assez naturel, pour économiser de la puissance et de la bande passante, de passer


à une seule bande latérale. Une méthode simple de réalisation consiste à filtrer la bande non
désirée. Cependant, dans la plupart des cas, cela mènera à des filtres de facteur de qualité
prohibitif. Une des solutions à ce problème a été exposée dans le cadre du rappel sur les
transformées de Fourier. L’autre solution consiste à chercher l’expression analytique du signal
BLU et d’en déduire un schéma de génération d’un signal BLU. C’est ce que nous faisons
ci-dessous.

Mixer
BLU
m(t)

cos ωc t

ω
|S(ω)| DSB-SC

ω
|S(ω)|
BLU -supérieure

|S(ω)| ω
BLU - inférieure

Fig. 5.12 – Génération d’un signal BLU par filtrage

Expression analytique d’un signal BLU

La Transformée de Hilbert Nous introduisons ici la transformée de Hilbert, qui est un


outil classique en télécommunications et est utilisé pour la BLU.
Soit un filtre de fonction de transfert H(f ) ⇔ h(t):
5.2. LA MODULATION D’AMPLITUDE 59



 1, f > 0
H(f ) = −jsgnf où sgnf = 0, f = 0 (5.17)

 −1 f < 0

D’autre part, on peut démontrer :

1
h(t) = (5.18)
πt
On appelle transformée de Hilbert de x(t) :

x̂(t) = h(t) ⊗ x(t) = TF−1 [−jsgnf X(f )] (5.19)

Ce qui, dans le domaine temporel, peut s’écrire :


Z ∞ Z ∞
x(τ ) x(t − τ )
x̂(t) = dτ = dτ (5.20)
−∞ π.(t − τ ) −∞ π.τ

Exemple 5.1 Transformée de Hilbert d’une sinusoı̈de

soit x(t) = cos ωc t. En fréquentiel, on peut écrire :

X(fˆ ) = 1 [δ(f − fc )e−jπ/2 + δ(f + fc )ejπ/2 ] (5.21)


2
En prenant la transformée de Fourier inverse, on obtient :

x̂(t) = cos(ωc t − π/2) = sin ωc t (5.22)


Cet exemple confirme bien l’idée selon laquelle la transformée de Hilbert correspond à
un déphasage de 90 degrés
<
Supposons que l’on désire démoduler un signal BLU-inférieure, cela correspond à un filtrage
par :
(
1, |ω| ≤ ωc
H(ω) = (5.23)
0, ailleurs

sin ωc t
La réponse impulsionnelle de ce filtre vaut h(t) = . Le signal de sortie vaut donc, par
πt
convolution :

Z ∞ sin ωc (t − τ )
s(t) = m(τ ) cos ωc τ
−∞ π(t − τ )
Z ∞ Z ∞
1 m(τ sin ωc (t − 2τ )
= sin ωc t dτ + m(τ )
2 −∞ π(t − τ ) −∞ π(t − τ )
Z ∞
(5.24)
1 sin ωc (2t − 2τ − t)
= m̂(t) sin ωc t + m(τ )
2 −∞ π(t − τ )
Z ∞ Z ∞
1 sin 2ωc (t − τ ) cos 2ωc (t − τ )
= m̂(t) sin ωc t + cos ωc t − sin ωc t
2 −∞ π(t − τ ) −∞ π(t − τ )
60 CHAPTER 5. MODULATIONS ANALOGIQUES : LES PRINCIPES.
Z ∞
sin 2ωc (t − τ )
On peut aisément reconnaı̂tre en un filtrage passe-bas du signal m(t)
−∞ π(t − τ )
par un filtre de fréquence de coupure 2ωc dont le résultat est forcément m(t), le message ne
pouvant pas avoir de contenuZ ∞spectral au-delà de ωc .
cos 2ωc (t − τ )
La deuxième intégrale consiste en un filtrage par un filtre de réponse
−∞ π(t − τ )
cos 2ωc t e2jωc t + e−2jωc t j
= ⇔ − [sgn(ω − 2ωc ) + sgn(ω + 2ωc )] (5.25)
πt 2πt 2
Cette fonction de transfert a l’allure :

-2ωc ω
2ωc

Nous obtenons donc le résultat (où LSB signifie Lower SideBand et USB Upper SideBand):
A
sLSB (t) = 2 [m(t) cos ωc t + m̂(t) sin ωc t)
(5.26)
A
sU SB (t) = 2 [m(t) cos ωc t − m̂(t) sin ωc t)
Et qui nous permet de concevoir un modulateur SSB comme indiqué en figure 5.13. Il est
clair que le déphasage de π/2 sur le message est une approximation de la transformée de Hilbert
et n’est valable que si la bande passante est faible par rapport à la fréquence porteuse.

cos ωc t
B.L.U.

π
2

m(t) π
2

Fig. 5.13 – Modulateur BLU

5.2.4 Démodulation d’un signal BLU


Démodulation synchrone
En multipliant le signal BLU par 4 cos(ωc t + φ), où φ est l’erreur de phase, on obtient:

A
r(t) = 2 [m(t) cos ωc t ± m̂(t) sin ωc t].4 cos(ωc t + φ)
(5.27)
= Am(t) cos φ + Am(t) cos(2ωc + φ) ∓ Am̂(t) sin φ ± Am̂ sin(2ωc t + φ)
5.3. MODULATION DE FRÉQUENCE (FM) 61

Soit, après filtrage :

r(t) = Am(t) cos φ ∓ Am̂(t) sin φ (5.28)

Soit une démodulation synchrone correcte, mais sujette au défaut de cohérence, pour éviter
ce problème, on peut éventuellement insérer une porteuse qui permet de faire de la démodulation
par détection d’enveloppe.

5.3 Modulation de Fréquence (FM)


Soit le signal
Z t
sF M (t) = A cos(ωc + ∆ω m(τ )dτ ) (5.29)
−∞

Définissons la fréquence instantannée:

ωi 1 dφ(t)
fi = = (5.30)
2π 2π dt
Dans ce cas, on obtient

dφ(t)
ωi = = ωc + ∆ω m(t) (5.31)
dt
qui justifie l’apellation “fréquence modulée” puisque la fréquence instantannée est propor-
tionnelle, à une constante près, au message. L’étude de la FM dans le cas d’un signal m(t)
quelconque est très complexe, on se limitera donc au cas du signal sinusoı̈dal.

5.3.1 Déviation de fréquence, indice de modulation


Dans le cas sinusoı̈dal, on peut écrire le signal FM sous la forme :

sF M (t) = A cos(ωc t + β sin Ω0 t) (5.32)

où β est l’indice de modulation et vous pouvez vérifier

∆ω ∆f
β= = (5.33)
Ω0 F0
Soit :
∆f
sF M (t) = A cos(2πfc t + sin Ω0 t) (5.34)
F0
et la fréquence instantannée vaut :

1 dφ(t)
fi = = fc + ∆f cos Ω0 t (5.35)
2π dt
Ce qui justifie l’apellation de “déviation de fréquence” pour ∆f . Notons que ce n’est pas
parce que la fréquence instantannées varie de fc − ∆f à fc + ∆f que le contenu spectral est
limité à ces fréquences.
62 CHAPTER 5. MODULATIONS ANALOGIQUES : LES PRINCIPES.

0.5

-0.5

-1
0 100 200 300 400 500 600 700 800 900 1000

0.5

-0.5

-1
0 100 200 300 400 500 600 700 800 900 1000

Fig. 5.14 – Signal à fréquence modulée

5.3.2 Spectre d’un signal FM


Toujours dans le cas d’un signal sinusoı̈dal, nous obtenons :

sF M (t) = A cos(ωc t + β sin Ω0 t)


(5.36)
= A[cos ωc t cos(β sin Ω0 t) − sin ωc t sin(β sin Ω0 t)
On peut alors développer cos(β sin Ω0 t) en série de Fourier :

cos(β sin Ω0 t) = J0 (β)+ 2J2 (β) cos 2Ω0 t + 2J4 (β) cos 4Ω0 t + ...+ 2J2n (β) cos(2nΩ0 )t + ... (5.37)

sin(β sin Ω0 t) = 2J1 (β) sin Ω0 t + 2J3 (β) sin 3Ω0 t + 2J5 (β) sin 5Ω0 t
(5.38)
+... + 2J2n+1 (β) sin((2n + 1)Ω0 )t + ...
où Jn (β) sont les fonctions de Bessel de premier ordre. On en retiendra principalement que
le spectre d’un signal FM est un spectre de raies équiespacées, théoriquement de largeur infinie.
Cependant, on peut définir la largeur de bande “pratique” d’un signal FM en la définissant
comme étant la largeur de bande dans laquelle 99 % de la puissance est incluse.
La règle de Carson nous donne cette valeur :

B = 2(∆f + F0 ) (5.39)
Dans le cas d’un signal m(t) quelconque, F0 représente la plus haute fréquence contenue
dans ce signal.

5.3.3 Modulation de fréquence à faible indice


Si l’indice de modulation est faible (β ≤ 0.2), on a une largeur de bande faible (on parle
de NBFM : Narrow Band Frequency Modulation et, de plus, on obtient, de par les propriétés
des fonctions de Bessel, un spectre du type (figure 5.15). Cette allure de spectre ressemble
furieusement à un spectre de modulation DSB. Cependant, le diagramme phasoriel permet de
5.3. MODULATION DE FRÉQUENCE (FM) 63

Spectre FM pour differentes valeurs de beta (B)


4000
B=0.2

2000

0
0 500 1000 1500 2000 2500 3000

4000
B=1

2000

0
0 500 1000 1500 2000 2500 3000

2000
B=5

1000

0
0 500 1000 1500 2000 2500 3000

4000
B=10

2000

0
0 500 1000 1500 2000 2500 3000

Fig. 5.15 – Spectre d’un signal FM, influence de β


64 CHAPTER 5. MODULATIONS ANALOGIQUES : LES PRINCIPES.

bien voir la différence entre les deux modulations (avec entre autres le fait que l’amplitude du
signal FM est constante).
En effet, si β est petit, nous pouvons écrire :

sN BF M (t) = cos(ωc t + β sin ΩO t)


(5.40)
≈ cos ωc t − β2 cos(ωc − Ω0 ) + β
2 cos(ωc + Ω0 )
En adoptant un système de coordonnées tournant dans le sens trigonométrique à une vitesse
angulaire ωc , le phaseur de la porteuse est fixe et nous le plaçons en position horizontale. Dans
le même système, le terme β2 cos(ωc + Ω0 ) tourne dans le sens trigonométrique à une vitess Ω0
tandis que l’autre terme tourne dans l’autre sens, avec la même vitesse. En faisant le même type
de diagramme pour la DSB-SC, on peut se rendre compte que le spectre doit avoir la même
allure, puisqu’on a à chaque fois un phaseur important représentant la porteuse et deux phaseurs
tournant aux mêmes vitesse, au signe près. Par contre, on voit également que l’amplitude du
signal NBFM ne varie pas tandis que l’amplitude du signal AM varie (heureusement !).

β
2
cos(ωc − Ω0 )t
R
β sin Ω0 t
β
2
cos(ωc + Ω0 )t
cos ωc t

Résultante
K sin Ω0 t
cos ωc t
K
2
sin(ωc + Ω0 )t K
sin(ωc − Ω0 )t
2

Fig. 5.16 – Comparaison des phaseurs pour la NBFM et la DSB

5.3.4 Modulation FM par variation de paramètres


Une manière simple de générer un signal FM, quoique peu praticable, est de faire varier la
fréquence d’accord d’un oscillateur LC par variation de la capacité. On obtient le générateur
de la figure 5.17.
p −1
Ce circuit permet d’obtenir une pulsation de sortie ω = ( L(C + Cv ) . La varicap Cv est
une capacité variable commandée par la tension et est souvent une diode polarisée en inverse
dont la capacité varie en fonction de la tension inverse appliquée.
5.3. MODULATION DE FRÉQUENCE (FM) 65

Cv C L

m(t)

Fig. 5.17 – Modulateur FM simple

5.3.5 Modulateur d’Armstrong


Ayant vu que la NBFM a une expression relativement simple, il est naturel de vouloir
adopter un circuit qui reproduit cette expression.
En effet, on a

sN BF M (t) = cos(ωc t + β sin ΩO t)


(5.41)
≈ cos ωc t + sin ωc t.β sin ΩO t
Ce qui se traduit directement par la figure 5.18.

π
2

+
sin ωc t modulateur
balancé
-

β sin Ω0 t

Fig. 5.18 – Modulateur d’Armstrong : principe

Cependant, l’application directe de cette technique est inacceptable. Considérons un signal


de parole, que l’on veut transmettre avec un indice de modulation maximal de β ≤ 0.5 de
manière à ce que l’approximation de l’équation 5.41 soit valable. L’oscillateur local (ωc ) est fixé
à 200 kHz et on désire transmettre un signal de fréquence allant de 50 Hz à 15 kHz. L’indice
de modulation valant β = ∆f F0 pour une sinusoı̈de, il est maximal pour la fréquence minimale
(ici 50 Hz) et nous amène à choisir une déviation de fréquence ∆f = 25Hz.
D’autre part, pour des raisons de qualité de transmission (rapport Signal/Bruit à la récep-
tion), et d’occupation spectrale acceptable, on désire une largeur de bande de 180 kHz centré
66 CHAPTER 5. MODULATIONS ANALOGIQUES : LES PRINCIPES.

fc = 200kHz
∆f = 25Hz
π fc = 12.8MHz
2
∆f = 1.6kHz
+ f c = 96MHz
200 kHz X 64 X48 ∆f = 77kHz

- fc = 2MHz
∆f = 1.6kHz

R Oscillateur
∆ω Local
10.8MHz

m(t)

Fig. 5.19 – Modulateur FM à partir d’un modulateur d’Armstrong

aux alentours de 100 MHz. Par multiplication de fréquence, cela mènerait à une multiplication
par 500 et donc un ∆f de 12.5 kHz, ce qui est insuffisant. D’autre part, pour obtenir une largeur
de bande de 180 kHz, avec une fréquence maximale de 15 kHz, la règle de Carson nous amène
à un ∆f de 75 kHz, ce qui, si on adoptait un multiplicateur de fréquence, nous amènerait à une
porteuse à 1.2 GHz.
La solution à ce problème consiste à faire deux multiplications séparées par un décalage de
fréquence. La figure 5.19 explicite les opérations suivies.

5.3.6 Démodulateur FM
Le principe d’un démodulateur simple peut être représenté par le haut de la figure 5.20.
Un signal de fréquence f0 est appliqué à une boite noire qui a comme sortie une amplitude
proportionnelle à la fréquence d’entrée. Cette sortie est appliquée à un détecteur d’enveloppe
qui, si f0 est constant, sort une amplitude A0 proportionnelle à la fréquence d’entrée.
Si le signal d’entrée est un signal à fréquence variable, la sortie A0 sera proportionnelle à la
fréquence d’entrée, si celle-ci est contenue dans la bande passante de la “boite noire”.
Ce que l’on demande à un démodulateur FM, c’est de fournir une sortie A0 qui soit propor-
tionnelle à la déviation fréquence instantannée du signal, ce qui nous amène à limiter le plus
possible l’amplitude d’entrée du système de manière à éviter une influence des modulations
d’amplitudes parasites dues à des imperfections du système ou au canal. D’autre part, on désire
une zone de linéarité dans la fonction de transfert “fréquence-tension” qui soit la plus grande
possible. Pour ce faire, on utilisera deux filtres de fonction de transfert opposées (voir la figure)
de manière à améliorer la linéarité de l’ensemble.
5.3. MODULATION DE FRÉQUENCE (FM) 67

Ai cos ω0 t Ai 0 cos(ω0 t + φ) Détecteur A0


d’enveloppe

|A0 /Ai |

R0
Section linéaire
pente α

f0 f

D.E.

m(t)

D.E.

Fig. 5.20 – Démodulateur FM

En effet, si la fonction de transfert est du type

A0 = R0 Ai + αAi (f − fO ) + βAi (f − f0 )2 + ... (5.42)


où les termes en (f − f0 )i , i > 1 rendent compte de la non-idéalité du filtre, en utilisant des
filtres opposés, on a, pour le second filtre :

A0 = R0 Ai − αAi (f − fO ) + βAi (f − f0 )2 + ... (5.43)


Soit, en faisant la différence des deux :

A0 = 2αAi (f − f0 ) + Termes en (f − f0 )i , i impair (5.44)


Ce qui nous donne une meilleure caractéristique de linéarité, le terme d’ordre 2 étant éliminé
et les termes ultérieurs étant à priori de plus faible importance.
68 CHAPTER 5. MODULATIONS ANALOGIQUES : LES PRINCIPES.
69

Chapter 6

Performances des systèmes de


modulation

6.1 Notion de signal équivalent passe-bas


Soit un signal ayant l’allure spectrale suivante :

- ωc ωc ω

On peut imaginer que ce signal est la résultante d’une modulation d’amplitude du type :

s(t) = m1 (t) cos ωc t ou s(t) = m2 (t) sin ωc t (6.1)


soit, en combinant les deux :

s(t) = m1 (t) cos ωc t + m2 (t) sin ωc t (6.2)


où m1 (t) et m2 (t) sont des signaux passe-bas.
Cette vision des choses nous donne l’intuition qu’une telle décomposition pour tout signal
passe-bas (c’est-à-dire si son spectre ne s’étend ni jusqu’à la fréquence nulle, ni jusqu’à la
fréquence infinie).

6.1.1 Signal analytique


Le signal analytique de x(t), noté xa (t) est défini par :
(
2X(ω) si ω > 0
Xa (ω) = (6.3)
0 si ω > 0
Le signal analytique est donc la sortie d’un filtre ne laissant passer que les fréquences posi-
tives. De ce fait, sa transformée de Fourier n’est pas paire et xa (t) est donc un signal complexe.
La fonction de transfert du filtre qui génère le signal analytique peut s’écrire :
70 CHAPTER 6. PERFORMANCES DES SYSTÈMES DE MODULATION

H(ω) = 1 + j[−jsgn(ω)] = H1 (ω) + jH2 (ω) (6.4)


avec H1 (ω) = 1 et H2 (ω) = −jsgn(ω), ce qui nous permet d’exprimer le signal analytique :

xa (t) = x(t) + j x̂(t) (6.5)


où x̂(t) est la transformée de Hilbert de x(t).

x(t) 2
xa (t)

ˆ
x(t)
x(t)
π
2
xa (t)

Fig. 6.1 – Signal analytique

6.1.2 Signal équivalent passe-bas


Soit x(t) un signal passe-bande, on appelle signal équivalent passe-bas 1 :

u(t) = xa (t)e−jωc t
(6.6)
soit U (ω) = Xa (ω − ωc )
Le signal x(t) étant la partie réelle de xa (t), on peut écrire :

x(t) = ℜ[xa (t)] = ℜ[u(t)ejωc t ] (6.7)


Ce qui permet de confirmer l’intuition selon laquelle on peut exprimer :

x(t) = ℜ[u(t)] cos ωc t − ℑ[u(t)] sin ωc t


= m1 (t) cos ωc t − m2 (t) sin ωc t (6.8)
= a(t)e−jωc t+φ(t)
Tout signal passe-bande peut donc être considéré soit comme deux modulations d’amplitudes
en quadrature, soit comme une modulation combinée d’amplitude et de fréquence.

6.1.3 Filtre équivalent passe-bas


Soit un filtre passe-bande H(ω) centré sur ωc , on définit :
(
H(ω) ω > 0
F (ω − ωc ) = (6.9)
0 ω<0
Sachant que le filtre est un système de réponse impuslionnelle h(t) réelle, on a que sa
transformée de Fourier a la propriété H(ω) = H ∗ (−ω) et H(ω) a l’expression :
1. encore appelé enveloppe complexe
6.1. NOTION DE SIGNAL ÉQUIVALENT PASSE-BAS 71

H(ω) = H ∗ (−ω) (6.10)


ce qui se traduit par la figure :

|H(ω)|

- ωc ωc ω

|F (ω − ωc )

ωc ω
|F (Ω)|

- ω

Fig. 6.2 – Filtre équivalent passe-bas

6.1.4 Réponse d’un filtre passe-bande


Il est clair que les développements précédents n’auraient aucun sens si l’opération de filtrage
ne pouvait se faire de façon équivalente en basses fréquences (en équivalent passe-bas) et en
bande transposée.
Le petit développement ci-dessous, en fréquentiel, démontre cette équivalence. On notera
les “basses fréquences” Ω = ω − ωc
Ce qui donne :

F (Ω)U (ω) = F (Ω).Xa (ω − ωc )


= F (Ω).X(ω − ωc )[1 + sgn(ω)]
= Fa (ω−ω
2
c)
.X(ω − ωc )[1 + sgn(ω)] (6.11)
H(ω−ωc )
= 2 [1 + sgn(ω)].X(ω − ωc )[1 + sgn(ω)]
= H(ω − ωc ).X(ω − ωc )[1 + sgn(ω)]
La dernière expression nous indiquant que F (Ω)U (ω) est le signal équivalent passe-bas à
H(ω).X(ω).
Outre l’élégance théorique de ces développements, il permettent d’une part d’avoir un outil
permettant de ramener toutes les études en bande de base et d’autre part, d’un point de vue
simulation, de simuler en bande de base également, ce qui permet de faire un échantillonnage
(pour les ordinateurs, il faut bien échantillonner) à une fréquence acceptable.
72 CHAPTER 6. PERFORMANCES DES SYSTÈMES DE MODULATION

6.2 Densité spectrale de puissance


6.2.1 Cas des signaux certains
Dans le cas des signaux certains, du théorème de Parseval exprimant l’énergie :
Z ∞ Z ∞
E= |x(t)|2 dt = |X(f )|2 df (6.12)
−∞ −∞

on peut interpréter |X(f )|2 comme étnt une densité spectrale d’énergie.
La puissance étant définie par (ET représentant l’énergie d’un signal de durée T ) :

ET
P = lim
T →∞ T
Z T
1 2
= lim |x(t)|2 dt (6.13)
T →∞ T − T2
Z ∞
1
= lim |X(f )|2 df
T →∞ T −∞

1
et lim |X(f )|2 peut être interprété comme étant la densité spectrale de puissance.
T →∞ T
Ainsi, en définissant l’autocorrélation du signal certain x(t) par
Z T
1 2
R(τ ) = lim x(t)x(t + τ )dt (6.14)
T →∞ T − T2

et sa tranformée de Fourier S(f ), en utilisant la transformée de Fourier inverse :

1
TF−1 [ lim |X(f )|2 ]
T →∞ T
Z ∞ 1
[ lim |X(f )|2 ]df
−∞ T →∞ T

avec (Fourier inverse) XT (f ) =


Z ∞ Z T Z T
1 2 2 ′
= lim df x(t)e−jωt dt x(t′ )e−jωt ejωτ dt′
T →∞ T −∞ − T2 − T2
Z T Z T Z ∞
1 2 2 ′
= lim x(t)dt x(t′ )dt′ ejω(t −t+τ ) df
T →∞ T − T2 − T2 −∞
| {z }
=δ(t′ −t+τ )
| {z }
=x(t−τ )
Z T
1 2
= lim x(t)x(t − τ )dt
T →∞ T − T2

= R(−τ ) = R(τ )
(6.15)
On a donc le résultat très important que la densité spectrale de puissance est la transformée
de Fourier de la fonction d’autocorrélation.
6.3. REPRÉSENTATION DU BRUIT BLANC 73

S(f ) = TF[R(τ )] (6.16)

6.2.2 Cas des signaux aléatoires


Dans le cas d’un signal aléatoire faiblement stationnaire et ergodique relativement à la
fonction de corrélation (voir le chapitre concernant les fonctions aléatoires) il y a égalité entre la
fonction de corrélation temporelle (du signal certain qu’est une réalisation d’un signal aléatoire)
et la fonction de corrélation au sens stochastique (espérance mathématique ...).
On peut donc écrire : Z ∞
Rxx (τ ) = Sxx (f )ejωτ df (6.17)
−∞
et donc la puissance vaut : Z ∞
m2x + σx2 = S(f )df (6.18)
−∞

et, de même que pour les signaux certains, Sxx (f ) = TF[Rxx (τ )]

On peut également définir, si on considère deux signaux x(t) et y(t), la densité spectrale de
puissance mutuelle.

Syx (ω) = TF[Ryx (τ )] = TF[E{y(t)x(t + τ )}] (6.20)

6.2.3 Théorème de Wiener-Kintchine


Si y(t) est la réponse d’un système linéaire, permanent et stable de fonction de transfer
H(ω), à une excitation x(t), signal aléatoire faiblement stationnaire, on a

Syy (ω) = |H(ω)|2 Sxx (ω) (6.21)

Syx (ω) = H(ω)Sxx (ω) (6.22)

6.3 Représentation du bruit blanc


6.3.1 Bruit blanc passe-bas
Un bruit blanc n(t) est défini par :

NO
Rnn (τ ) = δ(t − τ )
2 (6.23)
NO
et donc Snn (f ) =
2
où N0 est appelée densité spectrale unilatérale de bruit. En effet, si on utilise une représentation
unilatérale du bruit, on aura 2. N2O comme densité.
On s’intéresse au bruit blanc filtré par un filtre passe-bas. On a

 NO
|f | ≤ B
Snn (f ) = 2 (6.24)
 0 ailleurs
74 CHAPTER 6. PERFORMANCES DES SYSTÈMES DE MODULATION

Et on trouve aisément, par la TF inverse :

sin 2Bτ
Rnn (τ ) = BN0 = BN0 sinc2Bτ (6.25)
2Bτ

0.8

0.6

0.4

0.2

0
0 100 200 300 400 500 600 700 800 900 1000

0.5

-0.5
-10 -8 -6 -4 -2 0 2 4 6 8 10

Fig. 6.3 – Spectre et autocorrélation d’un bruit blanc filtré passe-bas

6.3.2 Bruit blanc filtré passe-bande


Dans le cas des modulations, nous utiliserons un filtre en entrée qui limitera le bruit blanc
à la bande passante utile. Celui-ci aura donc l’allure spectrale :

 NO
 ds 2 |f |ωc − Ω < ω < ωc + Ω
Snn (f ) = ds N2O |f | − ωc − Ω < ω < −ωc + Ω (6.26)

 0 ailleurs
On peut aisément déduire :

sin Ωτ
Rnn (τ ) = 2F N0 cos ωc τ (6.27)
ωτ

Représentation en quadrature
On peut également représenter le bruit n(t) passe-bande par ses deux composantes en
quadrature, comme indiqué en début de chapitre.

n(t) = nc (t) cos ωc t − ns (t) sin ωc t (6.28)


L’avantage principal de cette représentation est le suivant : prenons un signal AM bruité :

A[1 + Km(t)] cos ωc t + n(t) (6.29)


A la réception, le signal est filtré, et le bruit n(t) est donc bien un bruit filtré passe-bande.
On peut donc exprimer le signal AM bruité par :
6.3. REPRÉSENTATION DU BRUIT BLANC 75

0.8

0.6

0.4

0.2

0
0 100 200 300 400 500 600 700 800 900 1000

0.5

-0.5

-1
0 100 200 300 400 500 600 700 800 900 1000

Fig. 6.4 – Spectre et autocorrélation d’un bruit blanc filtré passe-bande

A[1 + Km(t)] + nc (t) cos ωc t + ns (t) sin ωc t (6.30)


| {z } | {z }
A1 A2
q
Le détecteur d’enveloppe nous fournira une tension A21 + A22 où le second terme est très
faible si on a un rapport signal/bruit (0.5A21 /σn2 ) en entrée élevé. La sortie du détecteur d’en-
veloppe sera alors approximativement

A[1 + Km(t)] + nc (t) (6.31)


et donc le signal est principalement perturbé par la composante nc (t) en phase avec le signal.
On peut démontrer les caractéristiques des composantes de bruit suivantes :

E{n2c (t)} = E{n2s (t)} = E{n2 (t)} (6.32)


Le bruit blanc étant stationnaire (N0 est constant) on a

E{n2c (t)} = σnc


2
= ... (6.33)

6.3.3 Représentation Equivalent passe-bas de signaux stochastiques station-


naires
Soit un signal

n(t) = x(t) cos ωc t − y(t) sin ωc t (6.34)


jωc t
= ℜ[z(t)e ] (6.35)

où n(t) est à moyenne nulle et stationnaire.

– n(t) étant à moyenne nulle, on déduit immédiatement que nc (t) et ns (t) sont à moyenne
nulle.
76 CHAPTER 6. PERFORMANCES DES SYSTÈMES DE MODULATION

– De la stationnarité de n(t)

E {(n(t)n(t) + τ )} = E {[x(t) cos ωc t − y(t) sinc t] (6.36)


[x(t + τ ) cos ωc (t + τ ) − y(t + τ sin ωc (t + τ )]} (6.37)
= Rxx (τ ) cos ωc t cos ωc (t + τ ) + Ryy (t) sin ωc t sin ωc (tτ ) (6.38)
−Rxy (τ ) sin ωc t cos ωc (t + τ ) − Ryx (τ ) cos ωc t sin ωc (t + τ(6.39)
)

=⇒

1
E {(n(t)n(t ± τ )} = [Rxy (τ ) + Ryy (τ )] cos ωc τ (6.40)
2
1
+ [Rxx (τ ) − Ryy (τ )] cos ωc (2t + τ ) (6.41)
2
1
− [Ryx (τ ) − Rxy (τ )] sin ωc τ (6.42)
2
1
− [Ryx (τ ) + Rxy (τ )] sin ωc (2t + τ ) (6.43)
2

n(t) étant stationnaire, E {(n(t)n(t + τ )} = Rnn (τ ) ne peut dépendre de t et les termes


en cos ωc (2t + τ ) et sin ωc (2t + τ ) doivent être nuls

=⇒ Rxx (t) = Ryy (τ ) (6.44)


Ryx (τ ) = −Rxy (τ ) (6.45)

et donc

Rnn (τ ) = Rxx (τ ) cos ωc τ − Ryx (t) sin ωc τ (6.46)

En définissant la fonction d’autocorrélation du signal équivalent passe-bas z(t) = x(t) + jy(t)


par

1
Rzz (τ ) = E {z(t)z ∗ (t + τ )} (6.47)
2
1
= E {(x(t) + jy(t))(x(t + τ ) − jy(t + τ ))} (6.48)
2
1
= [Rxx (τ ) + Ryy (τ ) − jRxy (τ ) + jRyx (τ )] (6.49)
2
avec les relations (6.44), on obtient :

Rzz (τ ) = Rxx (τ ) + jRyx (τ ) (6.50)


et

Rnn (τ ) = Re[Rzz (t)ejωc τ ] (6.51)


6.3. REPRÉSENTATION DU BRUIT BLANC 77

que l’on peut exprimer en disant que la fonction d’autocorrélation du signal équivalent
passe-bas est l’équivalent passe-bas de la fonction d’autocorrélation du signal passe-bande.
En outre, la densité spectrale de puissance étant la transformée de Fourier de la fonction
d’autocorrélation, on a :

Z +∞
Snn (f ) = ℜ[Rzz (τ )ejωc τ ]e−jωτ dτ (6.52)
−∞
1
= [Rzz (f − fc ) + Rzz (−f − fc )] (6.53)
2
D’autre part, E {z(t)z ∗ (t + τ )} = E {z(t − τ )z ∗ (t))}∗ , c’est-à-dire Rzz (τ ) = Rzz
∗ (−τ ) →

Rzz (f ) est une fonction à valeurs réelles.

6.3.4 Propriétés des composantes en quadrature


Toute fonction de corrélation satisfait la condition :

Ryx (τ ) = Rxy (−τ ) (6.54)


des relations (6.44), on déduit

Ryx (τ ) = −Rxy (−τ ) (6.55)


et donc Ryx (0) = 0
c’est-à-dire que x(t) et y(t), étant à moyenne nulle, sont décorrélés (Rxy (0) = 0), ce qui
implique Szz (f ) = Szz (−f ).
Dans le cas du bruit blanc passe-bande, le signal z(t) équivalent passe-bas a les caractéris-
tiques :
(
No |ω| ≤ Ω
Szz (f ) = (6.56)
0 |ω| > Ω
sin Ωτ
2
et donc Rzz (τ ) = No Ωτ
2
on en déduit Ryz (τ ) = 0
d’où

σz2 = Rzz (0) = Rxx (0) = Ryy (0) = Rnn (0) (6.57)
2 2
= σnc = σns = σn2 (6.58)

6.3.5 Densités spectrales


de Rnn (τ ) = Rnc (τ ) cos ωo τ
et du théorème de modulation, on en déduit
1 1
Snn (f ) = Snc (f − fc ) + Sns (−f − fc ) (6.59)
2 2
et donc, si
(
η |fc − F2 ||ω| < ( F2 + Fc )
Snn (f ) = (6.60)
0 ailleurs
78 CHAPTER 6. PERFORMANCES DES SYST `
6.5. RAPPORT SIGNAL/BRUIT EN FM 79

Dans le cas de la DSB-SC,

sDSB−SC (t) = Am(t) cos ωc t + nc (t) cos ωc t + ns (t) sin ωc t (6.73)


soit, après démodulation synchrone et filtrage

so (t) = Am(t) + nc (t) (6.74)


on obtient immédiatement
 
S Si
= (6.75)
N o 2ηF
Pour la SSB, les puissance du signal ainsi que du bruit sont simplement divisés par deux,
en entrée comme en sortie, nous avons donc la même relation que pour la DSB-SC.

6.5 Rapport signal/bruit en FM


6.5.1 Signal d’entrée
Nous avons un signal
Z
sF M (t) = A sin[ωc t + ∆ω m(τ )dτ ] (6.76)
A2
soit Si = 2 où nous faisons l’hypothèse que l’amplitude A est constante en fonction du
temps.

6.5.2 Signal de sortie


A la réception
Z
so (t) = A + sin[ωc t + ∆ω m(t)dτ ] + n′c (t) cos ωc t − ns (t) sin ωc t (6.77)

Soit, après dérivation

Z
s1 (t) = A[ωc + ∆ωm(t)] cos[ωc t + ∆ω m(t)dt] − n′c (t)ωc sin ωc t − n′s (t)ωc cos ωc t (6.78)

En faisant l’hypothèse que ce bruit n’intervient pas dans la puissance du signal, on a, après
détection d’enveloppe s2 (t) = A[ωc + ∆ωm(t)] et donc, en éliminant la composante continue
n o
So = E (A∆ωm(t))2 = A2 ∆ω 2 σm
2
(6.79)

6.5.3 Bruit de sortie


Après détection d’enveloppe de s1 (t), en tenant compte du bruit, on obtient, en faisant
l’hypothèse m(t) = 0

q
s3 (t) = ωc [A − n′s (t)]2 + n′2
c (t) (6.80)
q
≃ ωc [A − n′s (t)]2 = ωc [(A − n′s (t)] (6.81)
80 CHAPTER 6. PERFORMANCES DES SYSTÈMES DE MODULATION

Dans cette expression, nous devons comparer n′s (t) à A, le facteur multiplicatif ωc affectant
les deux parties (signal et bruit), il ne doit pas être pris en compte. La composante continue
étant éliminée, on a, au signe près

s3 (t) ≃ n′s (t) (6.82)

Z
1
⇒ Nout = Rn′s (τ = 0) = Sn′s (ω)δω (6.83)

La dérivée temporelle correspond à un filtre de transmittance jω.
La dérivée de n′s (t) a donc comme densité spectrale de puissance

dsp(n′s ) = dsp(n(s))|jω|2 = 2η|jω|2 = 2ηω 2 (6.84)

Z !−1
  A2 ∆ω 2 σm
2 1 +Ω
S 2
⇒ N 0 = ω ∆ω
2η 2π −Ω

A2 ∆ω 2 σm
2
(6.85)
= 3π
2ηΩ3
 2
A2 σm
2 ∆ω 1
= 3π .
2η Omega Ω
A2
en tenant compte de Si = 2

   2
S 2 ∆f Si
= 3σm (6.86)
N 0 F 2ηF

Si
6.5.4 Le facteur de mérite 2ηF

Cette quantité est ainsi appelée parce qu’elle contient trois paramètres importants qui car-
actérisent la transmission, à savoir la puissance du signal en entrée, la largeur de bande du
message et la densité spectrale de puissance du bruit.
Il est donc logique de comparer les rapports signal/bruit par rapport à cette quantité, le
paramètre restant étant la bande passante utilisée.

6.5.5 Comparaison des modulations


Notons, pour la facilité, γ = S(S/N )0
i /2ηF
2 = 0.1) et
, on a alors, pour un m(t) quelconque (σm
∆f = 75kHZ pour la FM (largeur de Bande = 2(75kHZ + 15kHZ) = 180kHZ)

γDSB−SC = 1 = 0dB
γDSB ≃ 0.1 = −10dB (6.87)
γF M ≃ 7.5 = +9dB

Le passage à la FM permet donc de gagner près de 20 dB par rapport à l’AM classique.


6.6. PRÉACCENTUATION ET DÉSACCENTUATION EN FM 81

Fig. 6.5 – diagramme phasoriel

Fig. 6.6 – trajectoire

6.5.6 Effet de seuil en FM


On peut représenter le bruit dans le diagramme phasoriel, en faisant l’hypothèse m(t) = 0
Dans le cas où ns (t
6.6. PRÉACCENTUATION ET DÉSACCENTUATION EN FM 83

Fig. 6.11 – transmittance

Fig. 6.12 – puissance

1
Hd (f ) = (6.89)
1 + j ff1
où
1
f1 = (6.90)
2πRC
et

r r f
Hp (f ) = (1 + jωRC) = (1 + j ) (6
R R f1

(9.1585878]TJ
84 CHAPTER 6. PERFORMANCES DES SYSTÈMES DE MODULATION

et

f
Hp (f ) = k(1 + j (6.94)
f1
Pour la simplicité, on adopte f ′ = f1
on obtient alors aisément l’équation
Z +F Z +F
2 Sdf
Pm = σm = = K 2 Sdf (6.95)
−F 1 + (f /f1 )2 −F

qui nous donne comme solution

f1 F
K2 = arctan (6.96)
F f1
On peut alors calculer la puissance de bruit après désaccentuation:

Z +F
Nod = |Hδ (f )|2 .2ηω 2 dω (6.97)
−F
Z
8π 2 η
+F f2
= K2   df (6.98)
−F f 2
1+ f1

de
Z
x2 x
2 2
d7x = x − a arctan (6.99)
a +x a
on obtient

2
F − f1 arctan fF1
Nod = 8π η f1
(6.100)
F − arctan fF1
Comme la puissance du signal est gardée intacte, on a :
 
S Z F
N No
 od = où No = 4π 2 η df = 8π 2 η (6.101)
S Nod −F
N o
d’où

No arctan fF1
= f1 (6.102)
Nod 3 F [1 − arctan fF1 ]
Soit, dans les conditions de la FM commerciale (F = 15kHz et f1 = 2.1kHz), un rapport
d’environ 9.7 dB.
85

Chapter 7

Vers les communications


numériques

7.1 Introduction
Nous venons de parcourir rapidement les principales modulations analogiques et leurs per-
formances. Une question qui s’est rapidement posée est de savoir si la transmission numérique
peut avoir des avantages importants pour la transmission de messages de nature analogique du
type parole ou image par exemple.
Un des premiers critères est la qualité du message reconstitué. Plusieurs questions permet-
tent de bien cerner ce problème :

1. Dans le cas d’un message analogique, la double transformation analogique-


numérique et numérique-analogique n’altère-t-elle pas trop le message analo-
gique?
Cette question pose le problème de la numérisation. Des études ont été conduites :

– pour caractériser la qualité du message délivré, ce qui amène à définir un seuil de


qualité pour chaque type de message.
– pour analyser dans quelles conditions la double transformation évoquée précédem-
ment permet d’atteindre cet objectif de qualité.

Parmi les résultats théoriques les plus classiques relevant de ce dernier point, on peut citer
le théorème d’échantillonnage ainsi que de nombreux travaux sur la quantification (entre
autres la quantification de la parole et des images).

2. La suite de symboles délivrée au destinataire ne diffère-t-elle pas trop de celle


fournie par la source?
En raison des perturbations présentes sur le canal, les symboles délivrés au destinataire ne
sont pas tous identiques aux symboles fournis par la source : il y a apparition d’erreurs de
transmission. On définit le taux d’erreur sur les symboles comme le rapport du nombre de
symboles erronés au nombre de symboles transmis. On définit de façon semblable le taux
d’erreur sur les bits (TEB, BER : Bit Error Rate) lorsque les symboles sont des éléments
binaires ou des mots binaires. Les mesures faites sur des durées limitées permettent d’en
obtenir des estimations plus ou moins précises. La qualité de la transmission est d’autant
86 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

meilleure que le taux d’erreur est faible. L’idéal est d’obtenir un taux d’erreur nul, mais
cet idéal ne peut être qu’approché au prix de dépenses diverses (complexité, puissance,
bande, délai ...). Selon la nature du message, on fixe un taux d’erreur à ne pas dépasser de
façon à assurer le destinataire d’une qualité minimale du message utile. La détermination
de ce seuil de taux d’erreur doit prendre en compte l’influence des erreurs de transmission
sur les résultats des opérations effectuées par le destinataire.
Remarquons que de ce point de vue, dans certains cas, le taux d’erreur n’est peut-être
pas un paramètre suffisant pour caractériser valablement la qualité de la transmission.
On définit également le taux d’erreur par blocs, etc.

3. Le destinataire a-t-il reçu le message dans un délai convenable?


Ce délai est à mettre au compte de la propagation dans le milieu physique utilisé, et
également au compte de tous les traitements subis par le message au cours de la transmis-
sion. Selon la nature du message, le délai est un paramètre plus ou moins important de
la qualité de la transmission. Par exemple, une conversation téléphonique est désagréable
si ce délai dépasse quelques dixièmes de seconde.
L’existence d’un délai de transmission a une influence importante dans la définition de
certains systèmes complexes qui doivent s’en accommoder sous peine de mauvais fonc-
tionnement. Cependant, il ne sera pas traité dans ce cours.

7.1.1 Les transmissions en plusieurs bonds.


En général, une liaison entre un point A, où est situé l’émetteur, à un point B, où est situé
le récepteur, se fait par l’intermédiaire de points C,D,E, ..., où sont situés des répéteurs.
En transmission numérique, on rencontre deux types de répéteurs :

1. Le répéteur-régénérateur propre aux transmissions numériques.


Le répéteur-régénérateur n’est en fait qu’un récepteur qui reconstitue le message numéri-
que émis, suivi d’un émetteur. La liaison globale, en N bonds avec répéteurs-régénérateurs,
peut être considérée comme formée de N liaisons numériques ayant chacune une certaine
qualité. L’analyse de la liaison globale repose sur l’hypothèse selon laquelle les pertur-
bations sur les N liaisons élémentaires sont indépendantes. Ceci conduit à effectuer N
analyses séparées de liaisons numériques et à calculer, par exemple, le taux d’erreur de la
liaison globale par addition des taux d’erreur élémentaires (approximation valable pour
des taux d’erreur faibles). Compte tenu des variations du taux d’erreur en fonction du
rapport signal à bruit, le phénomène d’addition des erreurs est moins dommageable que
le cumul des distorsions et des bruits qui se produit lors d’une liaison avec répéteurs sans
régénération.

2. Le répéteur sans régénération, utilisé également en transmission analogique.


L’utilisation de répéteurs sans régénération, inévitable en transmission analogique, semble
donc sans intérêt en transmission numérique. Cependant, la réalisation d’un répéteur-
régénérateur peut être trop onéreuse ou se heurter à de grandes difficultés technologiques.
C’est (encore) le cas en télécommunications spatiales et dans les systèmes hybrides de
transmission sur câbles. Ceux-ci sont cependant appelés à disparaı̂tre.

Exemple 7.1 A
7.2. CONVERSION ANALOGIQUE/NUMÉRIQUE 87

dmettons que l’on désire transmettre une information numérique sur une distance de 10.000
km par tronçons de 1.000 km. Le canal est tel que sur un tronçon de 1.000 km, on a un taux
d’erreurs ǫ << 1. Dans le premier cas, on a une probabilité de transmission sans erreurs sur
un tronçon qui vaut 1 − ǫ. Le bruit responsable des erreurs étant supposé indépendant entre
une section et les autres, la probabilité de transmission sans erreurs sur les 10.000 km est
simplement le produit des probabilités individuelles soit (1 − ǫ)1 0 ≃ 1 − 10ǫ, soit un taux
d’erreur total valant 10epsilon.
Dans le cas d’un répéteur sans régénération (amplificateur), on peut considérer, en adoptant
les hypothèse adéquates, que la puissance du signal à la réception est égale à la puissane du
88 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

par une valeur sq qui ne prend qu’un ensemble discret de valeurs appelées niveaux de quantifi-
cation.
La troisième et dernière étape est le codate, qui consiste à établir une correspondance
biunivoque entre les N niveaux de quantification et une suite de N représentations binaires.

7.2.1 L´échantillonnage
Nous nous posons la question de savoir dans quelles conditions l’opération d’échantillonnage
est une opération réversible. En d’autres mots, si on a un signal x(t) et ses échantillons x(nTe ),
quand peut-on dire que les deux signaux portent la même information. La réponse est donnée
par le théorème de Shannon.

Théorème de SHANNON
Enoncé: Une fonction x(t) à spectre limité, c’est-à-dire dont la transformée de Fourier X(ω)

est nulle pour |ω| > ω0 = 2πf0 , est parfaitement déterminée par ses échantillons x(nTe ) pour
autant que la fréquence d’échantillonnage

fe = 1/Te soit supérieure au double de la fréquence maximale f0 . Donc

△ 1
fe = ≥ 2f0 (7.1)
Te
Démonstration
Considérons ce que nous appellerons la fonction échantillonnée

X

xe (t) = x(nTe )δ(t − nTe ) (7.2)
n=−∞

C’est donc un train d’impulsions de Dirac de moments x(nTe ). Il est clair que, tout en étant
une fonction à support t continu, xe (t) ne contient d’autre information que celle de la séquence
x(nTe ). Il nous suffit donc de montrer que l’on peut reconstruire x(t) à partir de xe (t). En vertu
des propriétés de l’impulsion de Dirac, on peut encore écrire (7.2 sous la forme

xe (t) = x(t)p(t) (7.3)


où

X

p(t) = δ(t − nT ) (7.4)
n=−∞

Comme le montre la figure (7.2), on peut considérer que xe (t) résulte de la modulation de
l’amplitude du train d’impulsions périodiques p(t) par la fonction x(t).
De (7.3), il résulte que la transormée de Fourier de xe (t) est donnée par la convolution
1
Xe (ω) = X(ω) ⊗ P (ω) (7.5)

Or, on sait que

X

P (ω) = 2π δ(ω − kωe ) (7.6)
k=−∞

où l’on a posé


7.2. CONVERSION ANALOGIQUE/NUMÉRIQUE 89

Fig. 7.2 – Echantillonnage de x(t)

Fig. 7.3 – Spectre de la fonction


ωe = (7.7)
Te
Le calcul de convolution est donc aisé et l’on obtient

1 X ∞
Xe (ω) = X(ω − kωe ) (7.8)
Te k=−∞
Ce résultat est remarquablement simple: la transformée de la fonction échantillonnée est
obtenue par la répétition de celle de x(t) à tous les multiples de la fréquence d’échantillonnage,
comme l’illustre la figure (7.3)
Il est clair que la reconstruction de x(t) à partir de xe (t) équivaut à celle de X(ω) à partir de
Xe (ω). Une condition suffisante pour que cette reconstruction soit possible est que les spectres
partiels ne se recouvrent pas, car on peut alors recouvrer X(ω) par filtrage. Cela sera toujours
possible si ωe ≥ 2ω0 : le théorème de Shannon est ainsi démontré.

7.2.2 Formule d’interpolation de Whittaker


Il résulte de la figure 7.3 que la reconstruction de x(t) à partir de sa version échantillonnée
xe (t) peut se faire en faisant passer cette dernière dans un filtre passe-bas idéal de gain unitaire
et de pulsation de coupure ωc .
En effet, l’ensemble des fonctions sinc[π(t − nTe )/Te ] est orthogonal et toute la théorie qui
précède montre qu’il est complet sur le domaine des fonctions à spectre seul pour |ω| > ωe /2.
Comme ces fonctions sont nulles pour t = kTe , sauf pour k = n, auquel cas elles prennent la
valeur unité, les coefficients du développement sont les échantillons x(nTe ).
90 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

Fig. 7.4 – Reconstruction de x(t) par la formule de Whittaker

Fig. 7.5 – Repli du spectre du au sous-échantillonnage

7.2.3 Commentaires
Le théorème de Shannon énonce une condition suffisante pour que l’on puisse reconstruire
une fonction x(t) à partir de ses échantillons x(nTe ): spectre limité à une fréquence maximale
f0 et utilisation d’une fréquence d’échantillonnage fe ≥ 2f0 . La fréquence d’échantillonnage
minimale 2f0 est appelée fréquence de Nyquist.
Lorsque la fréquence d’échantillonnage est supérieure à ce minimum, on dit qu’il y a suréchantillonnage.
Suréchantillonner un signal analogique destiné à subir un traitement numérique présente un
inconvénient: comme le processeur numérique doit effectuer un certain nombre d’opérations
mathématiques sur la durée Te , il devra être plus rapide. Mais cela présente aussi un certain
avantage. Le signal de sortie du processeur consiste souvent dans la séquence des échantillons
y(nTe ) d’une fonction y(t) dont le spectre est limité à la même fréquence maximale f0 que le
signal à traiter. Techniquement, la sortie du processeur pourra être une suite de brèves impul-
sions électriques d’amplitude proportionnelle à y(nTe ), et dont le spectre est du type représenté
sur la figure (1.2(b)). Pour reconstruire y(t), il faut appliquer ces impulsions à l’entrée d’un
filtre passe-bas. Un filtre passe-bas idéal est évidemment irréalisable. Pratiquement, il faudra
réaliser un filtre analogique dont l’affaiblissement passe d’une valeur très faible en ω = ω0 à une
valeur très grande en ω = ωe − ω0 . La complexité d’un filtre étant directement dépendante de
la raideur du flanc de la courbe d’affaiblissement, on tirera donc un certain avantage à utiliser
une fréquence d’échantillonnage quelque peu supérieure à la fréquence de Nyquist.
Lorsque la fréquence d’échantillonnage du signal est inférieure à la fréquence de Nyquist,
il y a sous-échantillonnage. Dans ce cas, les spectres répétés deX(ω) se superposent et un
filtrage passe-bas du signal échantillonné xe (t) ne restitue pas exactement x(t), quelle que soit
la fréquence de coupure de ce filtre (par exemple ω0 ou ωe /2). L’erreur sur le signal reconstitué
correspond à un repli du spectre (aliasing error), comme l’illustre la figure (7.5).
Il est parfois difficile de prédire quels seront les effets du repli du spectre lorsque l’on sous-
7.2. CONVERSION ANALOGIQUE/NUMÉRIQUE 91

échantillonne un signal analogique en vue de lui faire subir un traitement numérique. Aussi, si
les conditions imposent une fréquence d’échantillonnage inférieure à la fréquence de Nyquist,
préfère-t-on en général limiter le spectre du signal entrant par un filtre passe-bas de fréquence
de coupure inférieure à la moitié de la fréquence d’échantillonnage imposée. Un tel filtre sera
de nature analogique et devra bien entendu précéder l’échantillonneur. Il s’impose dans tous
les cas où le signal utile est accompagné d’un signal parasitaire (bruit) occupant des fréquences
supérieures à ω0 .
Enfin, il convient de rappeler que le théorème de Shannon donne une condition suffisante
pour qu’on puisse reconstruire une fonction à partir de ses échantillons. Cette condition devient
nécessaire si l’on ne possède d’autre information à propos de la fonction que la borne supérieure
de son spectre. Dans certains cas, on dispose d’informations complémentaires et il est permis
de sous-échantillonner.

Exemple:
– on montre qu’un signal dont le spectre est du type passe-bande, c’est-à-dire est nul en
dehors de l’intervalle de fréquence (f0 − B/2, f0 + B/2) possède une représentation du
type
x(t) = x1 (t) cos ω
92 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

Output
9∆
2
7∆
2
5∆
2
3∆
∆2
2
∆ 2∆ 3∆ 4∆ 5∆
Input

Output

Input

e
7.2. CONVERSION ANALOGIQUE/NUMÉRIQUE 93

où m1 , m2 , . . . sont les niveaux de quantification. En faisant l’hypothèse (vraisemblable si le


pas de quantification ∆ est suffisament faible) que f (m) = f (mi ) est constant sur un intervalle,
on obtient :
R ∆/2 3
σe2 = (f (m1 ) + f (m2 ) + · · ·) −∆/2 x dx
2 = (f (m1 ) + f (m2 ) + · · ·) ∆
12
2 (7.11)
= (f (m1 )∆ + f (m2 )∆ + · · ·) ∆
12

où f (mi )∆ est la probabilité que le signal m aie une valeur comprise dans le ième intervalle.
La somme entre parenthèse vaut donc l’unité et l’erreur quadratique moyenne de quantification
vaut :

∆2
σe2 = (7.12)
12

Quantification non-uniforme
Dans le cas du signal de parole, on remarque que la distribution d’amplitude est loin d’être
linéaire, et est plus particulièrement concentrée vers les amplitudes faibles. Il semble donc
naturel d’adopter une quantification non-uniforme, avec plus de niveaux de quantification aux
faibles amplitudes. Il convient donc de caractériser ce type de quantification et de calculer
l’erreur quadratique moyenne.
Vous trouverez ci-dessous une loi de compression typique (entrée en abscisse et sortie en
ordonnée) illustrée par l(m).

Forme d’une loi de compression


1
f(x)
0.8 li
0.6
0.4
0.2
0

-0.2
-0.4
-0.6
-0.8 mi
-1
-1 m 1
∆i

Fig. 7.6 – 7.2.4Loi de compression typique

Comme dans le cas uniforme, on suppose que les pas de quantification (variables) sont
suffisament petits pour considérer que f (m) = f (mi ) est constant sur l’intervalle considéré.
94 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

L’erreur quadratique moyenne peut encore s’écrire :

Z Z X
M
m1 +∆1 /2 m2 +∆2 /2 pi ∆2i
e2 = σe2 = f (m)(m−m1 ) dm+ 2
f (m)(m−m1 )2 dm+· · · ≃ (7.13)
m1 −∆1 /2 m2 −∆2 /2 i=1
12

où pi est la probabilité que le signal m aie une amplitude comprise dans l’intervalle [mi −
∆i
2 , mi + ∆2i ].
De la figure , on déduit aisément :

dl 2
≃ (7.14)
dm m=mi M ∆i
et donc
!−2
X
M
pi ∆2i X
M
pi dl
e2 ≃ = (7.15)
i=1
12 i=1
3M 2 dm m=mi
En supposant encore les pas de quantification suffisament petits, on peut passer de la somme
à l’intégrale :
Z 1  −2
1 dl
e2 ≃ f (m)dm (7.16)
3M 2 −1 dm
On peut alors aisément déduire le rapport Signal/Bruit de quantification :

2
σm
3M 2 Z 1  −2
dl (7.17)
f (m)dm
−1 dm

A partir de cette expression, on peut optimiser la loi de compression l(m) de manière à


minimiser le rapport signal/bruit de quantification. Cependant, cela sous-entendrait que l’on
connaisse la distribution d’amplitude du signal. D’autre part, ce signal étant souvent non sta-
tionnaire (par exemple dans le cas de la parole), les performances seraient variables en fonction
du type de son (voyelle, consonne), de l’interlocuteur, etc. Il est donc plus utile de choisir une
loi de compression qui soit indépendante de la distribution d’amplitude, et donc obtenir un
rapport signal/bruit indépendant du message.
On peut réécrire la rapport signal/bruit de quantification sous la forme :
Z 1
f (m)m2 dm
2 −1
3M Z 1  −2 (7.18)
dl
f (m)dm
−1 dm
Clairement, l’objectif sera atteint si on adopte :

dm 1
= |m| avec l(1) = 1, l(−1) = −1 (7.19)
dl k
ou encore :
7.3. DELTA MODULATION 95

l = (1 + k ln |m|)sgn(m) (7.20)
En pratique, l’adoption de cette loi induirait des valeurs infinies en m = 0, ce qui est
inacceptable.
Le CCITT recommande la loi-A :

(
k.A.m 0 ≤ |m| ≤ A1
l(m) = 1
(1 + k. ln(m))sgn(m) A ≤ |m| ≤ 1 (7.21)
1
avec k = 1+ln A

On peut alors dériver l’expression du rapport signal/bruit qui devient :


 
S 3M 2 k2
= Z   (7.22)
N 1 1
o 1+ 1
2
σm
f (m) − m2 dm
1
−A A A2
On voit “immédiatemment” que le choix de A est un compromis entre :

– Diminuer l’intervalle linéaire (augmenter A) et obtenir ainsi un SNR le plus indépendant


possible de f (m).

– Diminuer A, ce qui augmente k et le SNR

En pratique, on a adopté A = 87.6 et M = 256, ce qui donne un SNR de 38 dB et la courbe


vue précédemment.
Notons que dans ce cas-là, pour transmettre un message téléphonique (de fréquence max-
imale égale à 3400 Hz), on échantillonne à 8 kHz, ce qui, avec M = 256 conduit à 8(bits) * 8
kHz = 64 kbits/sec.
Le PCM (Pulse Coded Modulation) ou MIC (Modulation par Impulsions Codées), qui est
le codage décrit ci-dessus est entre autres le standard adopté en RNIS (Réseau Numérique à
Intégration de Services). Dans son service de base, celui-ci propose 2 canaux à 64 kbits/sec et
un canal (données et/ou signalisation) à 16 kbits/sec ; on parle de 2B + D.

7.3 Delta Modulation


7.3.1 Foreword
The purpose of this chapter is to investigate the performances of delta modulation (DM) as
compared to pulse code modulation (PCM).
We first consider the basic circuit. Thay show that, when some slope overload is tolerated
(as in PCM some clipping must be accepted), the signal to quantization noise ratio compares
fafourably. Further a little more complexity, such as filtering in the feedback loop, improves the
performances. A second integrator (a special case of lowpass filtering) is considered to simplify
the analysis. Finally delta modulation with slope matching is shown to lead to both adequate
signal-to-noise ratio and dynamic range.
96 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

Further both coders are considered with imperfect digital transmission. Here the superiority
of delta modulation appears definitely since higher error rates are tolerated.
Currently available PCM and DM integrated circuits and the implementation of a speech
communication link based on delta modulation are considered in the subsequent chapters.

7.3.2 A reminder of PCM performances


It can be shown 1 that the general formula for the PCM signal to noise ratio is
R
+1 2
S −1 f (m)m dm
( )o = 3N 2 R +1 dl 2
(7.23)
N −1 f (m)( dm ) dm
where
f (m) is the probability density function of the message samples
l(m) is the companding law
N is the number of quantized levels (256) and the peak value of the message has been normalized
to unity.
S
It follows that a pure logarithmic companding law leads to ( N )o independant of the char-
acteristics of the message (i.e. f (m)), a very desirable property where speech is considered. In
practice an approximately logarithmic law can be implemented :

l = kAm f or o ≤ |m| ≤ A1 → (1 + klm|m|)sgn m f or A1 ≤ |m| ≤ 1 (7.24)

with

k = (1 + lnA)−1

and A defined by the CCITT (A = 87.6). The above is known as the A-law (a similar law
known as the µ-law is also used).
With the A-law (within an error smaller than 3 dB)

S 3N 2
( )o ≃ f or σn ≥ A1 (7.25)
N (1 + lnA)2
where σm is the standard deviation of the message sample.
Finally, over a message dynamic range of more or less 30 dB 2 , the signal to noise
ratio is remains close to 38 dB.

7.3.3 Basic DM circuit


The simplest and well-known bloc-diagram of an ideal delta modulator is given in figure
7.7.
The output of the integrator at each sampling instant varies by an amount ± s and provide
the change of the message with time is smaller than s/T (no slope overload), follows m(t) with
an error in the range [−s, +s].
The obvious advantage of such an encoder is its simplicity : a few operational amplifiers and
a digital circuit (as we shall see later). The decoder is even more simple than the encoder : the
1. see for instance A.L. FAWE, “Telecommunications”; lectures notes.
2. The actual dynamic range depends on the amount of clipping which is not taken into account here. However,
increasing the dynamic range would decrease the signal to noise ratio.
7.3. DELTA MODULATION 97

Fig. 7.7 – Basic DM circuit.

feedback loop and to reduce the quantization noise, a lowpass filter with cut-off frequency equal
to the highest message frequency.
Another point of interest in the DM is the equal weight associated to the bits, in other
words, the absence of hierarchy in the digital signal. This is a definite advantage from two
points of view :

– synchronization (there is no word, but bit synchronization);

– behaviour when a transmission error occurs.

The derivation of the signal to quantization noise ratio is based on four assumptions :

H1 : there is no slope overload


H2 : the quantization noise is uniformly distributed in [−s, +s]
H3 : the quantization noise power density is uniform distributed in [−T1 , +T1 ]
H4 : the message is gaussian or sinusoidal.

(Note that T −1 is the bandwidth or rather the first zero-crossing of the power spectrum, of
the actually transmitted (baseband) digital waveform).
Then

s2
Nq = (7.26)
3
After ideal lowpass filtering in the decoder

s2
Nq = FT (7.27)
3
where F is the highest message frequency, and

S σm 2
= 3( ) (F T )−1 (7.28)
Nq s
2 is the message variance or power.
where σm
98 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

7.3.4 Signal to noise ratio for Gaussian messages


The greatest NSq is obtained for the highest value of σm . However the higher the variance,
the higher the probability of slope overload. Here we shall assume that m(t) is gaussian and
that an acceptable probability is, nat, p = 1%.
Z ∞ − x2
′ s 2 2σ 2 ′
p = P {|m (t)| > } = √ e m dx (7.29)
T 2πσm′ s
T

or, with a classical way to denote the integral in digital communications,


s
p = 2Q( )
σm′ T
with
Z +Ω
2 1
σm ′ = Sm (w)w2 dw (7.30)
2π −Ω

This step therefore implies a knowledge of the message power spectrum. For speech signals
the spectrum is usually approximated by

So
Sm (w) = (7.31)
1 + ( wwc )2
i.e. the spectrum is almost plot up to a corner and decreases by 6 dB per octave above. To
simplify 3 we could assume that fc is the lowest transmitted frequency (300 Hz for telephony).
These in the band of interest
wc 2
Sm (w) ≃ Sl ( ) (7.32)
w
and
Z
2 1 Ω So wc2 Ω
σm ′ = So wc2 dw = (7.33)
2π −Ω π
On the other hand
Z
2 1 +e So wc2 1 1
σm = Sm (w)dw = ( − ) (7.34)
2π −Ω π wc Ω
since Sm (w) = o below wc .
Therefore

2 2 2 Ω
σm ′ = σm Ω ( − 1)−1 (7.35)
wo
and
1

s ( wc − 1) 2
p(given) = 2Q[ ] (7.36)
σm ΩT

Q(x) ≃ b e−axl (7.37)


3. The exact calculation is given in appendix A.
7.3. DELTA MODULATION 99

with an error smaller than 10% if b = 0.1550 and a = 0.52



s2 ( wc − 1)
p ≃ 2be − a 2
( (7.38)
σm Ω2 T 2


σm 2 Q ( − 1)
( ) = 2b wc2 2 (7.39)
s ln p Ω T

and finally


S σπa ( − 1)
= 2b wc3 3 f or DM with simple integration (7.40)
Nq ln p Ω T

We shall now examine two cases :


A) F = 3,400 Hz
fc (= f , the smallest message frequency) = 300 Hz
p = 1%

S
= 0.120(F T )3 (7.41)
Nq

S
( )dB = −9.2 − 30 log 10 FT (7.42)
Nq

For T −1 = 64 kbit/s, NSq : 2q dB


Also the signal to noise ratio decreases by 9 dB when we halve the data rate.
Note that the result is not very sensitive to the choice of p. For instance for p = 1% the
signal to noise ratio is 2 dB smaller than the previous value.

B)
F = 7,000 Hz (the norm proposed for high
fc = 50Hz quality telephony)
p = 1%

S
( ) = 1.62(F T )−3
Nq

S
( )dB = 2.1 − 30logF T
Nq

S
For T −1 = 64kbit/s, Nq = 30.9dB
100 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

7.3.5 Signal-to-noise ratio for sinewaves


Another approach to the problem is based on he experimental result that for speech signals
no noticeable slope distorsion occurs if the power is limited to the same value found for
an 800 H, sine wave.
For a pure sine wave, A sin wt, there is no slope overload if
s
A≤ (7.43)
wT
Therefore, based on the experimental result,

S 3π
= 2 (7.44)
Nq w ΩT 3
For F = 3,400 Hz and f = 850 Hz (to simplify the calculation)

S 6
= 2 (F T )−3 (7.45)
Nq π

= 0.608(F T )−3

(instead of 0.120 (F T )−3 by the previous method.)

S
( )dB = −2.24 − 30 log 10 F T (7.46)
Nq
i.e. a difference of 7 dB. This gives for instance a signal to noise ratio of 36 dB at 64 kbit/sec,
and the previous result seems rather conservative.
From another point of view, the condition (21) for no slope overload, it is tempting to say
that the delta modulator is well smatched to speech signals since their spectrum decreases
(approximately) by 6 dB per octave. However this argument might be somewhat questionable
(... all the frequencies are in the speech signals at the same time).

7.3.6 Driving the DM into slope overload


We may increase the message power beyond the maximum derived from the slope overload
condition. Then the signal-to-noise ratio becomes

S So
( )o =
N Nq + Ns

where Ns denotes the power of the overload error (figure 7.8).


Ns finally counter acts this effect of the message level increases.
Calculation of Ns would be tedious and not worth the exact knowledge of the signal-to-noise
ratio improvement (a few dB). However we should remember that driving the delta modulator
slightly into overload is interesting to obtain the best performances, particularly because this
type of error is a rare event which does not have as much effect on intelligibility as the quan-
tization noise itself (a problem similar to the anomalous errors due to the imperfect channel;
cf the study of the threshold)... and the result quoted above should therefore be considered as
the minimum of the achievable signal-to-noise ratio.
7.4. DELTA MODULATION WITH DOUBLE INTEGRATION IN THE FEEDBACK LOOP101

Fig. 7.8 – Overload error

7.4 Delta modulation with double integration in the feedback


loop
The block diagram is the same as fig. 7.7 but with two integrators in the feedback loop as
well as in the receiver.
The output of the first integrator is again a staircase waveform with level quantized to
multiples??, while the output of the second integrator is made of ramps (a closer approximation
of m(t) with slope quantized to multiples of s). Now the rate of charge of the slope (instead of
the rate of charge of the amplitude) is bounded by Ts i.e.
s
|m”(t)| ≤ (7.47)
T
The signal to quantization noise ratio can be found in a similar way if no overload occurs. In
the most case (fig.7.8 ) we are just below (above) m(kT ) and the slope of m(t) is not changing
significantly. The error reaches −(+)sT . With the same hypothesis (H, to H4 ) as before, with
“slope” replaced by ;“slope change” and s by sT , the quantization noise after lowpass filtering
is

s2 T 2
Nq = FT (7.48)
3
and

S σm 2
= 3( ) (f T )−1 (7.49)
Nq sT

where σm is again obtained from the overload condition.

7.4.1 Signal to noise ratio for gaussian messages


With the same approximation as in (10)
102 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

(w) wc 2
Sm ≃ So ( ) (7.50)
w

(w)
Sm ≃ So (wc w)2 (7.51)
and remembering that the spectrum?? has outside (w1 = wc , Ω)
Z
2 Qo we2 So wc2 3
σm” = −−ΩΩ w2 dw = (Ω )wc
2π 3π

2 So w 2 1 1
σm = ( − ) (cf (12)) (7.52)
π wc Ω
and

σ?2m wc Ω
σ?2m” = (ω?3 − wc3 ) (7.53)
3(Ω − wc )
2
s s − 2as 2
p = P {|m”n | > } = 2Q( ) ≃ 2 b e σm” T (7.54)
T σm” T

σ − m”)2 a
( ) = 2 2b (7.55)
s T ln n

S 9a ( wΩc − 1) 5
= wc 3 (F T ) f or DM with integration (7.56)
Nq 16π4ln 2b
p
[1 − ( Ω ) ]

For F = 3, 400, Hz, fc = 300Hz and p = 1%

S
= 0.00914(F T )−5 (7.57)
Nq

S
( )dB = −20.4 − 50Log10 F T (7.58)
Nq
At T −1 = 64kbit/s, SSq = 43.3dB i.e. a better S/Nq as expected, but also a greater sensitivity
to the bit rate (-15 dB for halving the bit rate).
On the other hand for F = 7, 000 Hz, fc = 50 Hz and p = 1%.

S
= .123(F T )−5 (7.59)
Nq

S
( )dB = −9.1 − 50 log10 F T (7.60)
Nq
S
At T −1 = 64 kbit/s, Nq = 39 dB.
7.5. DELTA-SIGMA MODULATION (DSM) 103

Fig. 7.9 – Delta sigma modulator

7.4.2 Signal to noise ratio for sinewaves


The condition of no overload becomes
s
A w2 ≤ (7.61)
T

S 3 1
= (F T )−1
Nq 2 w4 T 4

3 F 4
= ( ) (F T )−5 (7.62)
32π 4 f
With F = 3, 400 Hz and f = 850 Hz (see 1.4.2)

S
= 0.246(F T )−5 (7.63)
Nq
S
( )dB = − 6.08 − 50 log10 F T (7.64)
Nq
At 64 kbit/sec, NSq = 57.7 dB.
From such a result it is tempting to say that the sine wave approach is quite questionable.
To conclude this point 1.5 we should add that Delta modulation with double integration
has some oscillatory behaviour. Thus, it cannot ?? (see Steele, Ch. 2, for the details). The
main interest is to point out the improvement by low poss filtering in the feedback loop (of which
integration is a special case).

7.5 Delta-sigma modulation (DSM)


Let us assume that we put an integrator of the delta modulator (and a differentiator in
point of the delta demodulator). Now the two integrators can be replaced by single one in the
direct path. At the other end of the link the differentiator and integrator cancel and the receiver
reduces to a low pass (or bandpass) filter (fig. 7.9 et 7.10)
We can see that the delta signal modulator is made of the same components as
the delta modulator but rearranged, while the demodulator is even simple.
Now the overload occurs when
104 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

Fig. 7.10 – Delta sigma modulator

Z t
d s
[ m(t)dt] > (7.65)
dt −∞ T
or
s
m(t) > (7.66)
T

7.5.1 Signal to main rate for Gaussian messages

s s
p = P {|m(t)| ≥ } = 2Q( ) (7.67)
T σ − mT
or
2 2b
s2 ∼ I ln p
2 =
(7.68)
σm a
Note that here the result (and therefore NSq ) is independent of the message spectrum.
To understand the calculation of the signal to noise ratio we must refer to the delta Rt
sigma
modulator in its initial form (fig. 3a). In the receiver, the output of the integrator is −∞ m(t)dt
with an error uniformly distributed in [−s, +s] where spectrum is uniform in (−T −1 , + T −1 ).
Therefore at this point the noise power density is

s2 1 s2 T
= (7.69)
3 2T −1 6
which becomes

s2 T w 2
(7.70)
6
at the output of the differentiator. Then
Z
1 w2 s2 T w 2
Nq = dw
T w1 6

s2 T 3
Nq = (w − w13 ) (7.71)
18π 2
Finally

S σ 2 18π 3
= m (w2 − w13 )1
Nq s2 T
7.5. DELTA-SIGMA MODULATION (DSM) 105

18π a
= 3 2b
(w23 − w13 )−1 (7.72)
T ln p
S 9a w1 3 1
= 2b
[1 − ( ) ] (F T ) (7.73)
Nq 2
4M ln p
w2

S 9a
= 2 2b
(F T )−3 f or DSM (ind. of the power spectrum) (7.74)
Nq 4π ln p

= .0349 (F T )−3

S
( )dB = − 14.6 − 30 log10 F T (7.75)
Nq
for
f2 = F = 3, 400 Hz, f1 = 300Hz, p = 1%
At 54 kbit/s :

S
= 23.6 dB f or f2 = F = 3, 400
Nq

S
= 14.2 dB f or f2 = 7, 000Hz , f1 = 50Hz, p = 1%
Nq

Again let us underline that here the performances are independent of the shape of the
message spectrum.

7.5.2 Signal to noise ratio for sinewaves


Here the overload condition becomes
s
A> (7.76)
T
and is independent of frequency. For this reason, it is generally said that DSM is well matched
to messages with a uniform spectrum. Actually it is the power of the message, independently
of the shape of the message spectrum which drives the modulator into overload.

S a2 18π 3
= w (7.77)
Nq 2 s2 T 2
where we already take w13 << w23 into account.

S 9π 9
= 3 3 = 2 (F T )−3 (7.78)
Nq w2 t 8π
106 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

Fig. 7.11 – DSM with an integrator in the feedback loop

S
= .114(F T )−3
Nq

S
( )dB = −9.4 − 30 log F T
Nq

i.e. 5.2 dB above the estimate with Gaussian hypothesis.


For F = 3, 400 Hz and T = 64 kbit/s, NSq = 28.8dB.
For F = 7, 000Hz and F = 64kbit/s NSq = 19.4dB

7.6 DSM with an integrator in the feedback loop


As before, we may expect an improvement of the performances with an additional integrator
in the DSM feedback loop. This case (not considered in the literature) is equivalent to an
integrator in front of a Delta modulator with double integration in the loop.
The overload condition is now :
s
p = P {|m′ (t)| ≥
T

7.6.1 Signal to noise ratio for Gaussian messages


(From appendix A.1.)
σm 2 a w2 − w1
( ) = 2 2 2b
( −1
− 1)−1
s wc T ln t
tan w2 − tan−1 w1

normalized with respect to fc


With the error after double integration uniformly distributed in [−sT, +sT ] and its spectrum
uniformly distributed in (−T −1 , +T −1 ), the noise power density at the differentiation output
is now
s2 T 2
w
6
Therefore, with the normalized frequencies
Z
s2 T 3 3 w2 s2 T 3 3 3
Nq = w w2 dw = w (w − w13 )
6π c w1 18π c 2
7.6. DSM WITH AN INTEGRATOR IN THE FEEDBACK LOOP 107

S 18πa w2 − w1
= 5 5 2b
[(w23 − w13 )( −1
− 1)]−1
N9 wc T ln p
tan w2 − tan−1 w1

and since w23 >> w13


S 9aw2 w2 − w1
= 2b
[( − 1)]−1 (F T ) (7.79)
Nq 16π 4 ln p
tan−1 w2 − tan−1 w1

for DSM with integration in the feedback loop

f2 = 3, 400Hz, f1 = 300Hz, Fc = 850Hz, p = 1%

S
= 0.00524(F T )−5
N4

S
( )dB = −22.8 − 50logF T
Nq
i.e. 40.9 dB at 64 k bit/s.

f2 = 7, 000Hz, f1 = 50Hz, fc = 850Hz, t = 1%

S
= 0.0123(F T )−5
N4

S
( )q = −19.1 − 50log10 F T
N
i.e. 29.0 dB at 64 kbit/s.

7.6.2 Signal to noise ratio for sine waves


s s
aw = orAw = with normalized f requencies
T wc T

s2 T 3 3 3 s2 T 3 wc3 3
Nq = wc (wc − w13 ) ≃ wc
18π 18π

S A2 9π 9w22
= = 3 = (F T )−5
Nq 2Nq 2 5 5
f w wc T w2 32π 4 l2

9 w2 2
( ) (F T )−5
=
32π 4 w
For f2 = 3, 400Hz, f1 = 300Hz, f = 850Hz
S
( )dB = −13.4 − 50G10 F T
Nq
i.e. f2 = 7, 000Hz, f1 = 50Hz, f = 850Hz.
S
( )dB = −7.1 − 50GF T
Nq
i.e. 41.9 dB at 64 kbit/s.
108 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

7.7 Summary of the previous results and conclusions


All the results are for 64 kbits. It should be remembered that the change of the signal to
noise ratio with the data rate is 9 dB (15 dB) by factor 2 for single (double) integration. D(S)M
denotes the delta (sigma) modulator with single (double) integration in the feedback loop for
the initial form (i.e. with an integrator in front of a delta modulator). G denotes the estimation
of NSq for a Gaussian message, S for a sinewave. The value in brackets denotes the results with
the simplified formula.

F (Hz) DM1 DM2


G 3,400 26.6 (29.O) 39.7 (43.3)
36.0 57.7
G 7,000 20.9 (30.9) 28.3 (39.0)
S 32.9 54.6
DSM1 DSM2
G 3,400 23.6 40.9
S 28.8 50.3
G 7,000 14.2 29.0
S 19.4 41.0
Table 1
Signal to quantization noise ratio (in dB) for various configurations of delta modulation.

– It is worth to use the exact formula for 3,400 Hz and indispensable for 7,000 Hz.

– Replacing the message by an equivalent sinewave is to be rejected (the overestimation is


at least 9dB and increases with the system complexity and message bandwidth).

– The signal to noise ratio is about the same for both type of speech (3,400 and 7,000 Hz)
if T −1 /F is the same for instance 64 Kbit/s for 3,400 Hz and 128 kbit/s for 7,000 Hz).

– Lowpass filtering in the feedback loop (as illustrated by a second integrator)is most important :
gains of 13 dB and 17 dB are obtained for DM and DSM respectively for 3,400 Gaussian
messages and integration.

– The best results obtained so far (39.7 and 40.9) for 3,400 message are quite
comparable to the PCM performances with companding (35 dB at 64 kbit/sec), if we take
into account (to be considered next) leading to a similar dynamic range. The main, but
drastic, difference resides in the behaviour of the signal-to-quantization noise ratio with
bit rate : (in decibels) lineatr in PCM and logarithmic DM.
7.7. SUMMARY OF THE PREVIOUS RESULTS AND CONCLUSIONS 109

APPENDIX A
S
A.1. Exact calculation of Nq for basic DM. Here we shall denote by the normalized
f
frequency : fc → f.

So
Sm (w) =
1 + w2

So w 2
Sm′ (w) = wc2
1 + w2

Z
2 So wc dw
σm =
π 1 + w2

So wc
= (tan−1 wc − tan−1 w1 )
π

Z Z Z
2 So wc3 w2 dx So wc3 dw
σm ′ = = ( dw − )
π 1 + w2 π 1 + w2

So wc3
= [−w1 − (tan−1 w2 − tan−1 w1 )]
π

as2
s −
σ2 ′ T 2
p = 2Q( ) ≃ 2be m
σm′ T

σm′ 2 a
( ) = 2 2b
s T ln p

2 2 2 w2 − w1
σm ′ = σm wc (
−1
− 1)
tan w2 − tan−1 w1

σm 2 a w2 − w1
( ) = 2 2 2b ( − 1)−1
s wc T ln p tan w2 − tan−1 w1
−1

S σm 2
= 3( ) (F T )−1
Nq s

S 3aw2 w2 − w1
= 2 22b ( − 1)−1 (F T )
Nq 4π ln p tan w − tan−1 w1
−1

for DM with simple integration


110 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES

(note that F is not normalized in the above formula.


For the (true) frequencies f2 = 3, 400Hz, f1 = 300Hz , fc = 850 the literature proposes 800
Hz, but 850 Hz will make the calculation somewhat easier) and p = 1%.
S
= 0.0690(F T )−3
Nq

S
( )dB = −11.6 − 30log10 F T
Nq

or 2.4 dB less than the approximate result given by (20) i.e. 26.6 dB at 64 kbit/s.
For f2 = 7, 000Hz , f1 = 50Hz , fc = 850Hz and p = 1/
S
= 0.162(F T )−3
Nq

S
( )dB = −7.9 − 30log10 F T
Nq

i.e. 20.9 dB at 64 kbit/s. (certainly more reliable result than (20 bis) (30.9 dB) because of
strong approximation in that case.

A.2. Exact calculation of NSq for DM double integration


In the previous section we already found :

2 So wc
σm = (tan−1 w2 − tan−1 w1 )
π
On the other hand
So w 4
Sm” (w) = wc4
1 + w2

Z
2 So wc5 w4 dw
σm” =
2π 1 + w2
5 Z
So wc w4 − 1 + 1
= ( )dw
2π w2 + 1
Z
so wc5 1
= (w2 − 1 + )dw′
2π 1 + w2
So wc5 w23 − w13
= [ − (w2 − w1 ) + (tan−1 w2 − tan−1 ]
π 3
w23 −w13
2 4 3 − (w2 − w1 )
= σm wc ( + 1)
tan w2 − tan−1 w1
−1

Therefore with

S σm 2
= 3( ) (F T )1 (7.80)
Nq sπ
7.7. SUMMARY OF THE PREVIOUS RESULTS AND CONCLUSIONS 111

and
σm” 2 a
( ) = 2 2b (7.81)
s T ln p

w 3 −w 3
S 3a 2 1
− (w2 − w1 )
= 4 4 2b ( 3−1 −1 w
+ 1)−1 (F T )−1
Nq wc T ln p tan w 2 − tan 1

w 3 −w 3
S 3aw24 2 1
− (w2 − w1 )
= 2b
( 3
+ 1)−1 (F T )−1
Nq 16π ln p tan w2 − tan−1 w1
4 −1

For f2 = 3, 400 , f1 = 300Hz , fc = 850Hz and p = 1%


S
= 0.00399(F T )−5
Nq

S
( ) = −24.0 − 50log10 F T
Nq

S
= 39.7dB at 64 kbit/s
Nq

Or 3.6 dB less than the approximate result.


For f2 = 7000Hz , f2 = 50Hz , fc = 850Hz and p = 1%
S
= 0.0105(F T )−5
Nq

S
( )dB = −19.8 − 50log10 F T
Nq

28.3 dB at 64 kbit/s.
Again we should retain this result and note the approximate one (39 dB).
112 CHAPTER 7. VERS LES COMMUNICATIONS NUMÉRIQUES
113

Chapter 8

Modulations numériques : les


signaux

8.1 Représentation des signaux numériques modulés


Un signal numérique étant représenté par une suite de nombre, il convient de construire un
interface entre ces nombres et le canal, c’est le rôle de la modulation numérique, qui fournira
un signal forcément analogique au canal. La procédure habituelle est, étant donné un alphabet
M de symboles différents, que l’on peut représenter par k = log2 M bits, on fait correspondre
(biunivoquement) à chacun des M symboles de la séquence d’information {an }un signal sm (t)
pris dans un ensemble {sm (t)}, m = 1, 2, . . . , M . Les signaux sm (t) sont supposés être à énergie
finie et, forcément, déterministes.
De la même manière que dans le cas analogique, nous avons principalement le choix entre
les modulations d’amplitude, de phase ou de fréquence, ou croisées (principalement ampli-
tude/phase) :

s(t) = A(t) cos[ ω(t) + φ(t) ] (8.1)


| {z } |{z} |{z}
P AM :P ulseAmplitudeM odulation F SK:F requencyShif tKeying P SK:P haseShif tKeying

On distingue les modulations :

sans mémoire si, la rapidité de modulation (nombre de symboles transmis par seconde) étant
1
T , sm (t) = 0 si t < 0 et t > T . En d’autres termes, le signal présent à la sortie du
modulateur ne dépend que d’un seul symbole an à la fois.

avec mémoire dans le cas contraire.

linéaire si le principe de superposition est applicable à la sortie du modulateur (la sortie peut
s’écrire sous la forme d’une somme d’impulsions sm (t)).

non-linéaire , dans le cas contraire.

8.1.1 Modulations linéaires sans mémoire


Dans un premier temps, rappelons-nous que nous travaillons toujours en “signaux équiva-
lents passe-bas”, comme décrit au début du chapitre 6. On représente alors le signal par :
114 CHAPTER 8. MODULATIONS NUMÉRIQUES : LES SIGNAUX

s(t) = ℜ[v(t)ejωc t ] (8.2)


ωc
où fc = 2π est la fréquence porteuse et v(t) est le signal équivalent passe-bas.

Modulation d’amplitude
Encore appelée en français MDA (modulation par déplacement d’amplitude) ou, en anglais
PAM ou ASK (Amplitude Shift Keying), il s’agit simplement d’associer aux symboles la série
de signaux :

sm (t) = ℜ[Am u(t)ejωc t ] (8.3)


où {Am , m = 1, 2, · · · , M } représentes les M amplitudes possibles.

Exemple 8.1 Modulation d’amplitude à deux états


Simplifions cet exemple à l’extrême, en adoptant :

1. M = 2, i.e. deux symboles représentables par un seul bit


2. A1 = 1, A2 = −1

1 0<t≤T
3. u(t) =
0 ailleurs

Ce qui donne les allures de signaux de la figure 8.1. <

{an } 1 0 1 1 0

v(t)
t

s(t)

Fig. 8.1 – Modulation d’amplitude binaire à deux états

Le rôle de l’impulsion de base u(t) est de transformé le signal discret (présent seulement
en des endroits discrets du temps) en un signal analogique. Selon la forme de celui-ci, on a
une modulation à mémoire ou non, d’autre part, cette impulsion permet de déterminer, comme
nous allons le voir plus loin, la forme de la densité spectrale à la sortie du modulateur.
8.1. REPRÉSENTATION DES SIGNAUX NUMÉRIQUES MODULÉS 115

Le diagramme d’état (figure 8.2) d’une modulation représente les états possibles de la sortie
dans des axes représentant les fonctions de bases des signaux. Dans ce cas-ci, la fonction de
base est cos ωc t = ℜ[ejωc t ], et donc on a un seul axe.
En termes de signal équivalent passe-bas, on obtient :

v(t) = Am (t) = Am u(t), m = 1, 2, · · · , M (8.4)


Dans ce formalisme, u(t) est la fonction de base et Am les états possibles du système.

M=2

M=4

M=8

Fig. 8.2 – Diagramme d’état du signal PAM-M

Modulation d’amplitude en quadrature


La modulation d’amplitude simple consiste à multiplier la porteuse par une amplitude vari-
able au gré des symboles. Il semble tout-à-fait naturel de vouloir utiliser une seconde porteuse
en quadrature. On obtient alors les signaux de base :

sm (t) = Amc u(t) cos ωc t − Ams sin ωc t, m = 1, 2, · · · , M (8.5)


Cela correspond simplement à

sm (t) = ℜ[(Amc + jAms )u(t)ejωc t ] (8.6)


Clairement, nous aurons cette fois-ci un diagramme d’état bidimensionnel. Les figures suiv-
antes illustrent le cas du QAM-4 et du QAM-16 (qui portent respectivement 2 et 4 bits par
symbole).
116 CHAPTER 8. MODULATIONS NUMÉRIQUES : LES SIGNAUX

Labeled QAM constellation (Octal)


2

1.5

1 0
1

0.5

−0.5

2 3
−1

−1.5

−2
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

Fig. 8.3 – Constellation du QAM-4

Fig. 8.4 – Constellation du QAM-16


8.1. REPRÉSENTATION DES SIGNAUX NUMÉRIQUES MODULÉS 117

Modulation de phase (PSK : Phase Shift Keying)


La modulation de phase consiste à affecter la porteuse d’une phase variable au gré des
symboles. On obtient alors les signaux de base :

= ℜ[u(t)ejθm ejωc t
sm (t) 2π (8.7)
= u(t) cos[ωc t + (m − 1)] m = 1, 2, . . . , M
M

M=2

M=4 M=8

Fig. 8.5 – Diagramme d’état du signal PSK-M

Comme d’habitude, u(t) est une impulsion de base qui sert à déterminer la forme du spec-
tre. Quand celle-ci est constante, le signal PSK est un signal d’amplitude constante. On peut
également combiner la modulation d’amplitude avec le PSK.

8.1.2 Modulations non-linéaires à mémoire


CPFSK : Continuous-Phase Frequency Shift Keying
Un signal FSK est généré en modifiant la fréquence en fonction des données d’une grandeur :
fn = (∆f /2)In , In = ±1, ±3, · · · , ±(M − 1). Le paramètre important est évidemment ∆f . On
pourrait générer ces différentes fréquences par l’utilisation de M = 2k oscillateurs, ce qui pour-
rait provoquer des discontinuités importantes au niveau du signal, comme indiqué ci-dessous.
Il est clair que ces discontinuités de phase généreront un contenu spectral important en
dehors de la bande désirée. Nous devons donc nous limiter à un passage d’une fréquence à
l’autre à phase continue : CPFSK : Continuous-Phase FSK.
La représentation d’un signal FSK passe par la définition d’un signal intermédiaire (dit de
données) PAM :
X
d(t) = In u(t − nT ) (8.8)
n
118 CHAPTER 8. MODULATIONS NUMÉRIQUES : LES SIGNAUX

0.8

0.6

0.4

0.2

−0.2

−0.4

−0.6

−0.8

−1
0 100 200 300 400 500 600 700 800 900 1000

où les amplitudes {In } valent ±1, ±3, · · · , ±(M −1) en fonction de la séquence d’information
R
1
{an } et u(t) est ici une impulsion rectangulaire d’amplitude 2T (de manière à avoir T u(t) =
1/2) et de durée T . On exprime alors le signal CPFSK équivalent passe-bas par :
  Z t 
v(t) = A exp j 4πT fd d(τ )dτ + φ0 (8.9)
−∞

où fd est la déviation de fréquence maximale et φ0 est une constante.


Le signal passe-bande peut alors être exprimé sous la forme :

s(t) = A cos[2πfc t + φ(t; I) + φ0 ] (8.10)

où φ(t; I) est la phase variable, définie par


Z t
φ(t; I) = 4πT fd d(τ )dτ
Z−∞ ! (8.11)
t X
= 4πT fd In u(τ − nT )dτ
−∞ n

L’intégrale de d(t) est continue et, partant, le signal est bien à phase continue. La phase
peut d’ailleurs, en développant l’intégrale, s’exprimer sur l’intervalle nT ≤ t ≤ (n + 1)T par :

X
n−1
φ(t; I) = 2πT fd Ik + 2πfd (t − nT )In
k=−∞
(8.12)
= θn + 2πhIn q(t − nT )

où h, θn , q(t) sont définis par :

h = 2fd T (8.13)

X
n−1
θn = πh Ik (8.14)
k=−∞


 0 t<0
q(t) = t/2T 0≤t≤T (8.15)

 1/2 t>T

On appelle h l’indice de modulation. On observe que θn contient une constante qui représente
l’accumulation de tous les symboles émis jusque (n − 1)T .
8.1. REPRÉSENTATION DES SIGNAUX NUMÉRIQUES MODULÉS 119

CPM : Modulation de Phase Continue


On peut généraliser la CPFSK en utilsant simplement un signal à phase variable avec :

X
n
φ(t; I) = 2π Ik hk q(t − kT ) nT ≤ t ≤ (n + 1)T (8.16)
k=−∞

où l’on peut exprimer q(t) en fonction d’une impulsion u(t) par :
Z t
q(t) = u(τ )dτ (8.17)
0
Quand hk = h ∀k, l’indice de modulation est constant pour tous les symboles, sinon, on parle
de modulation CPM multi-h, dans ce cas, les hk varient de façon cyclique dans un ensemble fini
d’indices de modulation.
Dans le cas du CPFSK, il est intéressant de dessiner les trajectoires de phase possible, c’est
ce que fait la figure 8.6 pour le cas binaire. On appelle ce diagramme l’arbre de phase.

1 7hπ
1 6hπ
1 5hπ
-1
1 4hπ
-1
1 3hπ
-1 2hπ
1
-1 hπ
1
-1 0
-1
-1
-1
-1
-1
-1
-1
T 2T 3T 4T 5T 6T 7T

Fig. 8.6 – Arbre de phase pour le CPFSK-2

Cet arbre de phase croı̂t indéfiniment avec le temps, pour pouvoir revenir à des proportions
plus acceptables, il convient de ramener les phases entre −π et π d’une part, et de choisir h de
manière à ce que la phase passe par un multiple de 2π à certains instant kT , k étant un entier.
L’arbre de phase devient alors un treillis de phase ou treillis d’état, les différentes phases aux
instants kT se confondant avec des états du système.
La figure 8.7 représente le treillis pour le CPFSK2 avec h = 12 .

MSK : Minimum Shift Keying


Dans le cas où l’indice de modulation h = 12 , on obtient une modulation particulière appellée
Minimum Shift Keying. La phase du signal, dans l’intervalle nT ≤ t ≤ (n + 1)T vaut :
120 CHAPTER 8. MODULATIONS NUMÉRIQUES : LES SIGNAUX

π/2

−π/2

−π

0 T 2T 3T 4T 5T

Fig. 8.7 – Treillis de phase pour le CPFSK-2

X
π n−1
φ(t; I) = Ik + πIn q(t − nT )
2 k=−∞ (8.18)
π t − nT
= θn + In ( )
2 T
Le signal modulé vaut donc :
 
π t − nT
s(t) = A cos ωc t + θn + In ( )
  2  T  (8.19)
1 nπ
= A cos 2π fc + In t − In + θn nT ≤ t ≤ (n + 1)T
4T 2
Cette dernière expression montre clairement que le CPFSK-2 est une sinusoı̈de ayant deux
fréquences possibles dans un intervalle de temps donné :

1
f1 = fc − 4T
1 (8.20)
f2 = fc + 4T

La différence de fréquence vaut ∆f = f2 −f1 = 1/2T . On peut montrer que c’est la différence
minimale pour assurer l’orthogonalité entre les signaux s1 (t) et s2 (t) sur un intervalle de temps
de symbole, ce qui justifie l’appellation Minimum Shift Keying.
Le MSK peut également être représenté par un PSK-4 à impulsion de base sinusoı̈dale, soit,
en équivalent passe-bas :

X

v(t) = [I2n u(t − 2nT ) − jI2n+1 u(t − 2nT − T )] (8.21)
n=−∞

avec l’impulsion de base



 πt
sin 0 ≤ t ≤ 2T
u(t) = 2T (8.22)
 0 ailleurs

Le signal modulé peut encore s’écrire :


8.1. REPRÉSENTATION DES SIGNAUX NUMÉRIQUES MODULÉS 121

Composante du signal en phase


1

0.8

0.6

0.4

0.2

−0.2

−0.4

−0.6

−0.8

−1
0 50 100 150 200 250 300 350 400

MSK Composante en quadrature


1

0.8

0.6

0.4

0.2

−0.2

−0.4

−0.6

−0.8

−1
0 50 100 150 200 250 300 350 400

MSK signal total


1.5

0.5

−0.5

−1

−1.5
0 50 100 150 200 250 300 350 400
122 CHAPTER 8. MODULATIONS NUMÉRIQUES : LES SIGNAUX

(" # " # )
X
∞ X

s(t) = A I2n u(t − 2nT ) cos ωc t + I2n+1 u(t − 2nT − T ) sin ωc t (8.23)
n=−∞ n=−∞

et est également appelé OQPSK : Offset Quadrature PSK, ici, avec impulsion de base si-
nusoı̈dale. La figure suivante montre bien les différences entre MSK, OQPSK à impulsion de
base rectangulaire et PSK-4 classique. Dans le premier cas, les sauts de phase de 90 degrés se
confondent avec le changement de fréquence. Dans le deuxième cas, ces sauts correspondent à
une discontinuité dans le signal tandis que pour le QPSK, les sauts de phase sont deux fois
moins fréquents et peuvent être de 180 degrés.

8.2 Densités spectrales des signaux modulés


Dans ce chapitre, les deux notions fondamentales sont, d’une part, qu’en fonction du type
de modulation et de sa complexité, on peut avoir un débit d’informations (en bits/s.) plus élevé
que le débit de symboles (en symboles/s.), d’autre part, que la densité spectrale, et donc la
largeur de bande, peut être déterminée par la forme de l’impulsion de base.
En effet, dans le cas des modulations linéaires, on peut voir le système d’émission comme
suit :


u(t) = U(f ) v(t)

In

Fig. 8.8 – Système d’émission

Les données sont présentes sous formes d’une séries d’impulsions de dirac à l’entrée d’une
boite noire qui met ces données en forme. Cette boite est donc un filtre de réponse impulsionnelle
u(t) et fréquentielle U (f ). La forme de la densité spectrale dépend donc des caractéristiques
des données d’une part et de l’impulsion de base u(t) d’autre part.
Pour calculer les spectres, partons du signal modulé :

s(t) = ℜ[v(t)ejωc t ] (8.24)


Sa fonction d’autocorrélation vaut :

Rss (τ ) = ℜ(Rvv (τ )ejωc τ ) (8.25)


Et, par transformation de Fourier, on obtient la densité spectrale :

1
Sss (f ) = [Svv (f − fc ) + Svv (−f − fc )] (8.26)
2
Le signal équivalent passe-bas, dans le cas des modulations linéaires, peut s’écrire :
8.2. DENSITÉS SPECTRALES DES SIGNAUX MODULÉS 123

X

v(t) = In u(t − nT ) (8.27)
n=−∞

dont il suffit de calculer l’autocorrélation.


1
Rvv (t + τ ; t) = E {v(t + τ )v ∗ (t)}
2 ∞
1 X X ∞ (8.28)
= E {In∗ Im } u∗ (t − nT )u(t + τ − mT )
2 n=−∞ m=−∞
La séquence d’informations {In } est supposée stationnaire au sens large et de séquence
d’autocorrélation rii (m) = 21 E {In∗ In+m }. L’autocorrélation de v(t) devient alors :

X
∞ X

Rvv (t + τ ; t) = rii (m − n)u∗ (t − nT )u(t + τ − mT )
n=−∞ m=−∞
X∞ X
∞ (8.29)

= rii (m) u (t − nT )u(t + τ − mT − nT )
m=−∞ n=−∞

X

où le terme u∗ (t − nT )u(t + τ − mT − nT ) est périodique de période T . Rvv (t + τ ; t)
n=−∞
l’est donc également, i.e.

Rvv (t + τ ; t) = Rvv (t + τ + T ; t + T ) (8.30)


et

X

E {v(t)} = µi u(t − nT ) (8.31)
n=−∞

En clair, cela signifie que v(t) est un processus stochastique ayant sa moyenne et sa fonction
d’autocorrélation périodiques, c’est ce qu’on appelle un processus cyclostationnaire au sens
large.
Pour pouvoir calculer correctement la densité spectrale d’un processus cyclostationnaire,
il faut rendre sa fonction d’autocorrélation indépendante de t (ce qui revient à dire qu’il faut
le “stationnariser”). Pour ce faire, on va simplement considérer la moyenne de sa fonction
d’autocorrélation sur une période T :

Z T /2
1
Rvv (τ ) = Rvv (t + τ ; t)dt
T −T /2
X
∞ X
∞ Z
1 T /2 ∗
= rii (m) u (t − nT )u(t + τ − mT − nT )dt (8.32)
m=−∞ n=−∞
T −T /2
X
∞ X∞ Z
1 T /2−nT ∗
= rii (m) u (t)u(t + τ − mT )dt
m=−∞ n=−∞
T −T /2−nT

En se rappelant que la fonction d’autocorrélation (déterministe) de u(t) vaut :


Z ∞
Ruu (τ ) = u∗ (t)u(t + τ )dt (8.33)
−∞
On obtient la relation sympathique :
124 CHAPTER 8. MODULATIONS NUMÉRIQUES : LES SIGNAUX

1 X

Rvv (τ ) = rii (m)Ruu (τ − mT ) (8.34)
T m=−∞

Et donc, la densité spectrale de puissance étant la transformée de Fourier de la fonction


d’autocorrélation :
1
Svv (f ) = |U (f )|2 Sii (f ) (8.35)
T
En fait, si on travaille en fréquences normalisées (|ω| ≤ 21 ⇒ T = 1, en vertu du théorème
d’échantillonnage), on obtient Svv (f ) = |U (f )|2 Sii (f ) par le théorème de Wiener-Kintchine, et,
en dénormalisant, on retrouve la relation initiale. Cependant, cette démarche n’est strictement
correcte que pour des signaux stationnaires, et le petit calcul qui précède est donc nécessaire
pour établir le résultat en toute rigueur.
La densité spectrale de puissance des données vaut :

X
∞ X

Sii = rii (m)e−jωmT = σi2 + µ2i e−jωmT (8.36)
n=−∞ m=−∞

En se rappelant des notations :


(
σi2 + µ2i m=0
rii (m) = (8.37)
µ2i m 6= 0
X
∞ X

L’expression e−jωmT est périodique de période 1/T et vaut 1/T δ(f − m/T ) et
m=−∞ m=−∞
donc :

1 X

m
Sii = σi2 + µ2i δ(f − ) (8.38)
T m=−∞
T
On obtient finalement

 
σi2 2 µ2i X
∞ m 2
m
Rvv (f ) = |U (f )| + U( ) δ f − (8.39)
T T m=−∞ T T
125

Chapter 9

Modulations numériques : les


performances.

Nous nous plaçons dans le modèle simple du canal à bruit blanc additif gaussien.

9.1 Démodulateur optimal.


Sans entrer dans le détail du développement de Karhunen-Loève 1 , il nous suffira ici de savoir
qu’un signal temporel peut être exprimé dans un espace de fonctions de base orthonormales en
nombre infini : en appelant r(t) le signal reçu et si (t) les signaux émis (dans le cas du PSK-2
par exemple, on aurait s0 (t) = cos ωc t et s1 (t) = − cos ωc t).

r(t) = si (t) + n(t) (9.1)


Le développement de Karhunen-Loève nous dit que

X
N
r(t) = lim rk fk (t) (9.2)
N →∞
k=1

où {fk (t)} forment un ensemble de fonctions orthonormales (ou encore base orthonormale)
définies sur [0, T ] :
Z T
fm (t)fn∗ (t)dt = δmn (9.3)
0

et {rk } représentent les projections de r(t) sur la base précitée. r(t) étant un processus
stochastique, les rk sont des variables aléatoires.
On peut alors montrer :

rk = sik + nk , k = 1, 2, . . . (9.4)
où sik et nk sont respectivement les projections de si (t) et de z(t) sur l’espace des fk (t).
La séquence des {nk } est une séquence gaussienne de moyenne nulle et de covariance
E {nm n∗k } = σ 2 δkm .
Il est clair que les v.a. rk sont gaussiennes, centrées sur sik et le vecteur rN = [r1 r2 . . . rN ]
a une densité de probabilité conditionnée sur si = [si1 si2 . . . siN ] donnée par :
1. Voir l’appendice 4A de [?]
126 CHAPTER 9. MODULATIONS NUMÉRIQUES : LES PERFORMANCES.

!
1 1X N
|rk − sik |2
p(rN |si ) = QN exp − (9.5)
k=1 2πσ
2 2 k=1 σ2
L’objectif fixé est de trouver une règle de décision (en observant r(t), décider quel si (t) a
été le plus probablement envoyé). En admettant que les si (t) et r(t) puissent être représentés
dans un plan, (ou un espace de dimension plus grande) cela revient, étant donné un signal r(t)
dans ce plan, de lui associer un si (t), ce qui revient à diviser ce plan en M régions RM , M étant
le nombre de signaux si (t).
La probabilité d’erreur de symboles peut alors s’écrire :

X
M Z
PS = pi p(rN |si )Fi (rN )d(rN ) (9.6)
i=1

où Fi (rN ) est une fonction indicatrice valant l’unité partout sauf sur la région Ri corre-
spondant au symbole si qui a été émis et pi représente la probabilité a priori que si ait été émis.
L’intégrale se fait sur l’espace du signal.
En effet, intp(rN |si )(1−Fi (rN ))d(rN ) représente la probabilité que, si Rayant été émis, rN soit
compris dans la portion d’espace Ri , 1 − intp(rN |si )(1 − Fi (rN ))d(rN ) = p(rN |si )Fi (rN )d(rN )
est donc la probabilité que si ayant été envoyé, rN n’appartienne pas à Ri , c’est-à-dire la
probabilité d’erreur. La probabilité d’erreur de symbole globale est la somme des probabilités
d’erreur individuelle, pondérée par les probabilités d’émission a priori.
Les termes de la somme étant positifs, il suffit de décider que l’on ait émis si (i.e. Fi (rN ) = 0
sur Ri ) si

pi p(rN |si ) ≥ pj p(rN |sj ) ∀j 6= i (9.7)


Soit, en adoptant des symboles équiprobables

p(rN |si ) ≥ p(rN |sj ) ∀j 6= i (9.8)


C’est-à-dire, en introduisant l’équation 9.5

! !
1 1X N
|rk − sik |2 1 1X N
|rk − sjk |2
QN exp − ≥ QN exp − (9.9)
k=1 2πσ
2 2 k=1 σ2 k=1 2πσ
2 2 k=1 σ2

Les quantités étant positives et le logarithme étant monotonément croissant, c’est équivalent
a:

X
N
2
X
N
|rk − sik | ≤ |rk − sjk |2 ∀i 6= j (9.10)
k=1 k=1
Au passage à la limite, les sommes deviennent des intégrales :
Z ∞ Z ∞
2
|r(t) − si (t)| dt ≤ |r(t) − sj (t)|2 dt ∀i 6= j (9.11)
−∞ −∞
Interprétation géométrique : en représentant les signaux dans un espace de signal, cela
revient simplement à choisir le signal si (t) le plus proche de r(t), au sens de la distance eucli-
dienne.
En continuant le développement :
9.1. DÉMODULATEUR OPTIMAL. 127

R= espace du signal
s1

s3

R1
s2
R3
n(t)
r(t) R
décision correcte 2

s5
s4
s5 (t) n(t)
décision incorrecte
R5
R4

r(t)

Fig. 9.1 – Représentation géométrique du processus de décision

Z ∞ Z ∞ Z ∞ Z ∞
2ℜ r(t)s∗i (t)dt − 2
|si (t)| dt ≤ 2ℜ r(t)s∗j (t)dt − |sj (t)|2 dt ∀i 6= j (9.12)
−∞ −∞ −∞ −∞
Z ∞
où |si (t)|2 dt représente l’énergie du signal. En adoptant les mêmes énergies, on obtient.
−∞
Z ∞ Z ∞
r(t)s∗i (t)dt ≤ r(t)s∗j (t)dt ∀i 6= j (9.13)
−∞ −∞

En optant pour des signaux si (t) nuls en dehors de l’intervalle [0, T ] :


Z T Z T
r(t)s∗i (t)dt ≤ r(t)s∗j (t)dt ∀i 6= j (9.14)
0 0

9.1.1 Récepteur à corrélation


L’application directe de la formule (9.14) nous mène naturellement au récepteur à corrélation.
Celui-ci consiste à effectuer une corrélation entre le signal reçu et les différents signaux possibles
si (t), d’intégrer entre 0 et T , d’échantillonner en T , ce qui donne les variables de décisions :
Z T
Si = r(t)s∗i (t)dt (9.15)
0
Il convient alors de choisir le signal qui correspond à la valeur la plus élevée, soit le schéma
de la figure 9.2.
128 CHAPTER 9. MODULATIONS NUMÉRIQUES : LES PERFORMANCES.

s1 (t)
Z T

0
D

c
i
s
sM (t) i
Z T o
n
0

Fig. 9.2 – Démodulateur à corrélation

9.1.2 Démodulateur à filtre adapté


L’intégrale (9.14) nous est familière et correspond à la sortie du filtre adapté excité par le
signal reçu, et échantillonné au taux 1/T .
Z ∞
Si = r(t)s∗i (t)dt (9.16)
−∞

En effet, si on considère le filtre de réponse impulsionnelle s∗i (T − t), la convolution du signal


r(t) avec ce filtre donne bien l’expression (9.14).
L’autre solution est donc :

h(t) = s∗1 (T − t)
D

c
i
s
i
o
h(t) = s∗M (T − t) n

Fig. 9.3 – Récepteur à filtre adapté

Application 9.1 Cas du PAM-2 (= PSK-2)


9.2. DÉTERMINATION DU TAUX D’ERREURS POUR TRANSMISSIONS BINAIRES 129

Dans le cas du PSK-2, on peut écrire le signal sous la forme :


s
2Eb
s (t) = ± sin ωc t 0≤t≤T (9.17)
0 T
1
où Eb est l’énergie d’un bit (= un symbole ici)

sin ωc t

r(t) Z T

0
T

Fig. 9.4 – Récepteur PSK-2 à corrélation

Dans ce cas, l’espace du signal est de dimension 1, où la fonction de base de cet espace
vaut sin ωc t. De plus, les deux signaux pouvant s’exprimer simplement s0 (t) = −s1 (t), il suffit
d’utiliser un seul corrélateur et de décider pour 0 si la sortie est négative et pour 1 si la sortie
est positive. Notons au passage que cela demande une réception synchrone (même fréquence
pour si (t) à l’émission et à la réception) et cohérente (même phase).

9.2 Détermination du taux d’erreurs pour transmissions bi-


naires
On considère les deux signaux s0 (t) et s1 (t) donnés par :

sm (t) = ℜ[um (t)ejωc t ] m = 0, 1; 0 ≤ t ≤ T (9.18)


Ces signaux ont la même énergie
Z T Z T
1
Eb = Es = s2m (t)dt = |um (t)|2 dt (9.19)
0 2 0

De plus, on peut les caractériser par le coefficient de corrélation mutuelle (cross-correlation) :


Z T
1
ρ= s0 (t)s∗1 (t)dt (9.20)
Eb 0

Supposons que le signal s0 (t) ait été transmis entre 0 ≤ t ≤ T , le signal reçu est :

r(t) = s0 (t) + n(t) 0 ≤ t ≤ T (9.21)


les variables de décisions valent :

S0 = Eb + N0
(9.22)
S1 = Eb ρ + N1
130 CHAPTER 9. MODULATIONS NUMÉRIQUES : LES PERFORMANCES.

R
avec Nm = 0T n(t)s∗m (t)dt, des composantes de bruit gaussiennes à moyenne nulle.
La probabilité d’erreur est la probabilité que S1 > S0 :

Pe = P (S1 > S0 ) = P (S1 − S0 > 0) = P (S0 − S1 < 0) (9.23)


Notons V = S0 − S1 = Eb (1 − ρ) + N0 − N1
Il faut d’abord définir les grandeurs en jeu, c’est-à-dire la moyenne et la variance de cette
variable gaussienne :

mv = E {V } = Eb (1 − ρ) (9.24)
puisque la seule partie aléatoire est N0 − N1 et est de moyenne nulle.
n o
σv2 = E (N0 − N1 )2
 !2 
 Z T Z T 
=E n(t)s∗0 (t)dt − n(t)s∗1 (t)dt
 0 0 
(Z Z )
T T
∗ ′ ∗ ′ ′ ′
=E n(t)n (t )(s0 (t) − s1 (t)) (s0 (t ) − s1 (t ))dtdt
0 0 (9.25)
Z Z
T T  ∗ ′ ∗ ′ ′ ′
= E n(t)n (t ) (s0 (t) − s1 (t)) (s0 (t ) − s1 (t ))dtdt
0 0 | {z }
N0
= δ(t−t′ )=σ2 δ(t−t′ )
Z 2
N0 T
= |s0 (t) − s1 (t)|2 dt
2 O
= N0 Eb (1 − ρ)
La probabilité d’erreur peut alors être calculée par :
Z 0
P (V > 0) = p(v)dv
−∞
0 (v−mv ) Z 2
1 −
=p 2
e 2
2σv
dv
2πσ
s v −∞ (9.26)
Eb
= Q( (1 − ρ))
Ns0
1 Eb
= erfc( (1 − ρ))
2 2N0
Par un procédé semblable, on obtient aisément que la probabilité d’erreur si s1 (t) avait été
envoyé est la même et donc, la probabilité d’erreur totale vaut :

Pe = p0 P1|0 + p1 P0|1 (9.27)


où p0 et p1 sont les probabilités a priori d’émission de s0 (t) et s1 (t) et P1|0 est la probabilité
d’erreur si s0 (t) a été envoyé. (lire probabilité de décider 1 si 0 a été envoyé). Si les symboles
sont équiprobables, on obtient bien :
s
1 Eb
Pe = erfc( (1 − ρ)) (9.28)
2 2N0

Exemple 9.1 comparaison des taux d’erreur en PSK-2 et en FSK


9.2. DÉTERMINATION DU TAUX D’ERREURS POUR TRANSMISSIONS BINAIRES 131

Dans le cas du PSK-2, on a simplement s0 (t) = −s1 (t) et donc ρ = −1, d’où :
r
1 Eb
PeP SK2 = erfc( ) (9.29)
2 N0
Dans le cas de signaux orthogonaux (ρ = 0), on peut écrire

s0 (t) = √Eb ψ0 (t)
(9.30)
s1 (t) = Eb ψ1 (t)
RT
avec 0 ψ0 (t)ψ1∗ (t)dt = 0
Dans le cas du FSK-2 on a :

s0 (t) = √Eb sin ω0 t
(9.31)
s1 (t) = Eb sin ω1 t
où les pulsations ωi ont été choisie de manière appropriée. Dans ce cas, on obtient :
r
1 Eb
PeF SK2 = erfc( ) (9.32)
2 2N0
Soit une perte de 3 dB par rapport au PSK-2. Ce qui veut dire que pour un même taux
Eb
d’erreurs, il faut dans le second cas un rapport N 0
deux fois plus grand (soit un signal 3 dB
plus puissant à densité spectrale de bruit identique).
remarque De manière à obtenir une approximation rapide des taux d’erreurs, on peut utiliser
l’approximation :
2
Q(x) ≃ be−ax (9.33)
avec b = 0.155 et a = 0.5256, ce qui donne une précision meilleure que 10 dans l’intervalle
[10−2 , 10−10 ], précision % tout-à-fait acceptable. <

Notons que pour le cas du FSK-2, nous avons supposé l’utilisation d’une réception cohérente.
Etant donné la perte de 3 dB en performances par rapport au PSK-2, il est clair que le FSK
ne sera pas utilisé dans ces conditions. Par contre, on peut aisément imaginer un schéma de
réception du FSK-2 par filtrage des signaux et comparaison de la puissance de sortie des filtres
comme indiqué en figure 9.5.

ω0
Détecteur D
d’enveloppe é
c
i
s
ω1 i
Détecteur
o
d’enveloppe
n

Fig. 9.5 – Récepteur FSK-2 non cohérent

Dans ce cas, on trouve :


132 CHAPTER 9. MODULATIONS NUMÉRIQUES : LES PERFORMANCES.

 
1 2Eb
Pe = exp − (9.34)
F SK2 non cohérent 2 N0

taux d’erreurs de bits en PSK−2, FSK−2 cohérent et FSK−2 incohérent


0
10 PSK2

−1
10

−2
10 FSK−incohérent

TEB
−3
10

FSK
−4
10
PSK

−5
10

−6
10
0 50 100 150
Eb/No (*10)

Fig. 9.6 – Comparaison des taux d’erreurs


133

Chapter 10

Communications dans un canal à


bande limitée

10.1 Les canaux.


10.1.1 Le canal linéaire.
Un des modèles de canal les plus utilisés, et valable dans un grand nombre de cas, con-
siste simplement à approximer le canal par un filtre linéaire ayant une réponse fréquentielle
équivalent passe-bas C(f ) ⇔ c(t). Dans ce cas, la réponse impulsionnelle
Z équivalent passe-bas

d’un signal s(t) = ℜ[v(t)ej2πfc t ] sera donnée par r(t) = v(τ )c(t − τ )dτ + z(t) où z(t)
−∞
représente le bruit additif.
Usuellement, pour des raisons évidentes, le canal est limité à une largeur de bande B Hz,
c’est-à-dire C(f ) = 0 pour |f | > B.
Si on exprime la réponse fréquentielle C(f ) par :

C(f ) = |C(f )|ejθ(f ) (10.1)


où |C(f )| et θ(f ) sont respectivement l’amplitude et la phase de la réponse fréquentielle.
On définit le délai de groupe par :

1 dθ(f )
τ (f ) = − (10.2)
2π df
Un canal est dit idéal si sa réponse fréquentielle est constante en amplitude et linéaire en
phase (dans la bande passante), c’est-à-dire que le délai de groupe est constant. En effet, si on
définit un canal idéal, en temporel, comme un gain (ou une atténuation) pur et un délai, la
transformée de Fourrier de Aδ(t − τ ) étant Ae−j2πf τ , la réponse fréquentielle doit bien avoir la
caractéristique susdite. Dans le cas contraire, la forme du signal est distordue, soit en amplitude,
soit en phase. La conséquence de ceci est une déformation des impulsions qui peuvent avoir une
longueur plus importante qu’à l’émission et donc introduire une interférence entre symboles.
(ISI : InterSymbol Interference)
La manière la plus évidente de visualiser celle-ci est de dessiner la réponse impulsionnelle du
canal. Dans un cas comme celui indiqué ci-dessous, on observe directement, non seulement la
distorsion introduite, mais également la superposition des symboles successifs qui, aux instants
d’échantillonnage T , introduira cette interférence entre symboles. Le rôle de l’égaliseur/organe
de décision, placé derrière le canal, sera de compenser cette ISI, soit, comme dans le cas des
134 CHAPTER 10. COMMUNICATIONS DANS UN CANAL À BANDE LIMITÉE

égaliseurs en essayant de filtrer la sortie de manière à retrouver la forme d’impulsion d’entrée


ou, en tous cas, de diminuer l’ISI présente aux instants kT , soit en identifiant le canal et en
tenant compte de cette information dans le processus de décision.

Application 10.1 Dans le cas d’un délai de groupe τ (f ) linéaire en fréquence, étant donné
une impulsion de départ ne donnant pas lieu à interférence entre symboles, on constate que la
sortie présente bien de l’ISI. La sortie de l’égaliseur nous donnera, idéalement, l’impulsion de
source.

application

Une autre manière d’aborder l’égalisation est d’observer la réponse fréquentielle du canal,
par son amplitude et son délai de groupe. Ensuite, on cherche à compenser l’“inidéalité“ du canal
par un filtre. La figure ci-dessous vous donne les caractéristiques temporelles et fréquentielles
typiques d’un canal téléphonique.

|H(f)|^2 in dB
20

−20
dB

−40

−60

−80

−100
0 1 2 3 4 5 6 7 8
frequency in kHz

Fig. 10.1 – Réponse fréquentielle typique d’un canal téléphonique

D’autres types de distorsion peuvent apparaı̂tre sur les canaux :


Les distorsions non-linéaires, principalement dues aux non-linéarités des amplificateurs
et des mélangeurs, elles sont très difficilement prises en compte au niveau traitement numérique
du signal et doivent être réduites le plus possible à la source (d’où l’importance de la conception
des amplificateurs et autres éléments électroniques du système d’émission et de réception).
Les décalages fréquentiels, présents dans les systèmes présentant des modulations de
type SSB et dus à une démodulation imparfaite (porteuse résiduelle et/ou décalée). Ceux-ci
peuvent être compensés soit par une boucle à verrouillage de phase, soit par un traitement
numérique adéquat.
Le bruit de phase (phase jitter), qui peut être considéré, dans certains cas, comme
une modulation de fréquence de faible indice de modulation. C’est souvent une spécification
que les systèmes de réception doivent tenir, de manière à ne pas perturber outre mesure
l’égalisation/décision.
Le bruit impulsionnel, additif, qui s’ajoute éventuellement au bruit blanc ou coloré.
10.2. LE CRITÈRE DE NYQUIST. 135

impulse response of a typical telephone channel


1.5

0.5

−0.5

−1

−1.5

−2

−2.5

−3
0 1 2 3 4 5 6 7 8 9 10
time in ms.

Fig. 10.2 – Réponse temporelle typique d’un canal téléphonique.

10.2 Le critère de Nyquist.


10.2.1 Notion d’Interférence Entre Symboles (ISI: Inter Symbol Interfer-
ence).
Dans un premier temps, nous considérons le cas d’un canal linéaire sans bruit additif. Dans
le cas classique des modulations linéaires, on peut représenter les signaux de source équivalent
passe-bas par :

X

In g(t − nT ) (10.3)
n=0

où {In } est la séquence de symboles d’information et g(t) l’impulsion de mise en forme du
signal, à bande passante limitée à B (g(t) ⇔ G(f ) avec |G(f )| = 0 pour |f | > B). Ce signal est
transmis sur un canal (C(f )) ayant la même limitation de bande passante. En conséquence, on
représente le signal reçu par

X

In h(t − nT ) + z(t) (10.4)
n=0

où
Z ∞
h(t) = g(t)c(t − τ )dτ (10.5)
−∞

et z(t) représente le bruit additif Gaussien.


La théorie de la décision nous apprend qu’il suffit d’échantillonner la sortie du canal,
préalablement filtrée par un filtre adapté (de réponse fréquentielle H ∗ (f )) à un taux de 1/T
éch./sec. On peut donc écrire

X

y(t) = In x(t − nT ) + ν(t) (10.6)
n=0
136 CHAPTER 10. COMMUNICATIONS DANS UN CANAL À BANDE LIMITÉE

où x(t) est la réponse impulsionnelle du filtre h(t) ⊗ h(−t) et ν(t) le bruit blanc filtré par
H ∗ (f ). Après échantillonnage, les variables aléatoires de sortie sont :

X

y(kT + τo ) = yk = In x(kT − nT + τo ) + ν(kT + τo ) (10.7)
n=0

où τo est un délai introduit par le canal.

X

yk = In xk−n + νk k = 0, 1, . . . (10.8)
n=0

En normalisant xo à 0, on obtient :

X

y k = Ik + In xk−n + νk (10.9)
n=0
n6=k

où le second terme représente l’interférence entre symboles (influence sur la sortie à l’instant
k des symboles d’indice différent de k) et νk représente le bruit additif coloré par le filtre de
réception.

10.2.2 Le critère de Nyquist.


L’objectif étant d’avoir yk = Ik , c’est-à-dire d’éliminer l’interférence entre symboles, nous
allons aborder le problème d’un point de vue temporel dans un premier temps.
La condition pour éliminer l’ISI dans l’équation (10.9) est :
(
1 k=0
x(t = kT ) = xk = (10.10)
0 k 6= 0

Le théorème d’échantillonnage des signaux à bande passante limitée nous apprend que x(t)
peut être exprimé par :

X
∞  
n sin 2πB(t − n/2B)
x(t) = x (10.11)
n=−∞
2B 2πB(t − n/2B)

et   Z
n B
x = X(f )ej2πn/2B df (10.12)
2B −B
1
ce qui correspond à une période d’échantillonnage T = 2B . Si on fait le choix particulier de
ce débit de symboles (i.e. on envoie un symbole Ik toutes les T secondes), on obtient :

X

sin π(t − nT )/T
x(t) = x(nT ) (10.13)
n=−∞
π(t − nT )/T

Si l’on veut réduire l’ISI à néant, c’est-à-dire obtenir x(nT ) = 0 ∀n 6= 0, nous devons
adopter :

sin πt/T
x(t) = (10.14)
πt/T
10.2. LE CRITÈRE DE NYQUIST. 137

soit (
1
T |f | ≤ 2T
X(f ) = 1 (10.15)
0 |f | > 2T

Ce type de signal est de toute évidence impossible à réaliser, puisque l’impulsion x(t) ainsi
définie est totalement anti-causale et de durée infinie. D’autre part, la décroissance de x(t)
est en 1/t et, un échantillonnage non idéal (en un temps kT + τ ) auront comme effet pour
l’échantillon de se voir affecter d’un terme provenant d’une somme de tous les symboles à un
facteur près :

X

sin π(nT + τ )/T
In (10.16)
π(nT + τ )/T
n=0
n6=k

Cette somme peut diverger (ce qui est non physique, comme l’est l’impulsion considérée!).
Il est donc naturel d’adopter un débit de symboles 1/T inférieur à 2B.
Dans ce cas, en se souvenant de la propriété de périodisation du spectre des signaux
échantillonnés :
 
1X k
Xe (f ) = X f+ (10.17)
T k T

On obtient la relation spectrale entre la sortie et l’entrée du canal de la forme :


 
1X k
Y (f ) = X f+ (10.18)
T k T

Et la condition pour ne pas avoir d’ISI s’exprime par :

Xe (f ) = T ∀f (10.19)

Les impulsions ci-dessous satisfont le critère de Nyquist et sont appelées impulsions de


Nyquist.
Habituellement, on choisit le débit de symboles B < 1/T < 2B. Une impulsion couramment
utilisée l’impulsion appelée en cosinus surélevé.

(
T 0 ≤ |f | ≤ (1 − β)/2T
X(f ) = T (10.20)
2 [1 − sin(f − 1/2T )/β] (1 − β)/2T ≤ |f | ≤ (1 + β)/2T

où β est appelé le paramètre de décroissance . L’impulsion correspondante à l’allure :

sin πt/T cos βπt/T


x(t) = (10.21)
πt/T 1 − 4β 2 t2 /T 2

La décroissance de l’impulsion est cette fois-ci en 1/t3 , ce qui conduit à une somme conver-
gente pour l’ISI.
138 CHAPTER 10. COMMUNICATIONS DANS UN CANAL À BANDE LIMITÉE

1
CST(x,1.0)
CST(x,0.5)
0.8 CST(x,0.8)

0.6
X(f)
0.4

0.2

0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
fT

Fig. 10.3 – Réponse fréquentielle en cosinus surélevé

0.8

0.6

0.4

0.2

−0.2

−0.4
0 50 100 150 200 250 300

Fig. 10.4 – Réponse temporelle de filtres en cosinus surélevé


10.2. LE CRITÈRE DE NYQUIST. 139

0.8

0.6

0.4

0.2

0
0 50 100 150 200 250

1.5

0.5

−0.5

−1

−1.5
0 50 100 150 200 250

Fig. 10.5 – Train d’impulsions filtré par un filtre de Nyquist

10.2.3 Lien avec le théorème d’échantillonnage.


Dans le cas du théorème d’échantillonnage, on nous apprend que si un signal (passe-bande)
a une bande passante B, il faut échantillonner à un taux supérieur à T = 1/2B. En d’autres
termes, la quantité d’information contenue dans un signal continu est équivalente à la quantité
d’information contenue dans un signal échantillonné correctement.
Dans le cas du critère de Nyquist, on cherche un signal continu qui contienne au moins
l’information du signal discret, il est donc logique que l’on doive adopter une bande passante
supérieure B = 1/2T . Il s’agit en quelque sorte de deux théorèmes duaux.

10.2.4 Le diagramme en oeil.


Une manière classique de caractériser l’ISI est le diagramme en oeil. Il s’agit simplement
d’afficher le signal continu y(t) sur un oscilloscope en synchronisant la base de temps sur un
multiple de T (habituellement 2T ). La figure obtenue a l’allure d’un oeil dont :

1. L’ouverture verticale reflète la résistance au bruit sous échantillonnage idéal.

2. L’ouverture horizontale reflète la sensibilité au désalignement de l’échantillonnage.

3. L’épaisseur des traits, à l’instant d’échantillonnage idéal, reflète la quantité d’ISI présente.
Dans le cas où cette épaisseur est très grande, on a un oeil “fermé“. Le rôle d’un égaliseur
sera d’“ouvrir“ le plus possible cet oeil.

4. La pente de l’oeil indique la sensibilité de l’ouverture verticale à de faibles désalignement


d’échantillonnage.
140 CHAPTER 10. COMMUNICATIONS DANS UN CANAL À BANDE LIMITÉE

EYE DIAGRAM
1.5

0.5

−0.5

−1

−1.5
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Time [sec] −3
x 10

Fig. 10.6 – Diagrammes en oeil (binaire)

EYE DIAGRAM
2

1.5

0.5

−0.5

−1

−1.5

−2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Time [sec] −3
x 10
10.2. LE CRITÈRE DE NYQUIST. 141

EYE DIAGRAM
5

−1

−2

−3

−4

−5
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Time [sec] −3
x 10
142 CHAPTER 10. COMMUNICATIONS DANS UN CANAL À BANDE LIMITÉE
CONTENTS 143

Contents

1 Introduction aux Télécommunications. 1


1.1 Définition des télécommunications. . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Historique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 La chaı̂ne de transmission. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Schéma de base d’une chaı̂ne de transmission. . . . . . . . . . . . . . . . . 3
1.3.2 Le canal de transmission. . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.3 L’émetteur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.4 Le récepteur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.5 Note sur le codage de source et le codage de canal (cas numérique). . . . 10
1.4 Les organisations internationales de Télécommunications. . . . . . . . . . . . . . 12

2 Rappels concernant Fourier et la convolution. 13


2.1 Définitions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Théorème de convolution. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1 Filtrage et convolution. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Théorème de Parseval. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4 Théorème de modulation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5 Transformée des fonctions périodiques. . . . . . . . . . . . . . . . . . . . . . . . 16
2.6 Transformée d’une série d’impulsions. . . . . . . . . . . . . . . . . . . . . . . . . 17
2.7 Transformée d’un signal périodisé. . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.8 Problème de la fréquence image. . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.9 Le récepteur superhétérodyne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
CONTENTS 145

6.1.3 Filtre équivalent passe-bas . . . . . . . . . . . . . . . . . . . . . . . . . . . 70


6.1.4 Réponse d’un filtre passe-bande . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2 Densité spectrale de puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.2.1 Cas des signaux certains . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.2.2 Cas des signaux aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.2.3 Théorème de Wiener-Kintchine . . . . . . . . . . . . . . . . . . . . . . . . 73
6.3 Représentation du bruit blanc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.3.1 Bruit blanc passe-bas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.3.2 Bruit blanc filtré passe-bande . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.3.3 Représentation Equivalent passe-bas de signaux stochastiques stationnaires 75
6.3.4 Propriétés des composantes en quadrature . . . . . . . . . . . . . . . . . . 77
6.3.5 Densités spectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.4 Rapport signal/bruit en AM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.5 Rapport signal/bruit en FM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.5.1 Signal d’entrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.5.2 Signal de sortie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.5.3 Bruit de sortie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Si
6.5.4 Le facteur de mérite 2ηF . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.5.5 Comparaison des modulations . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.5.6 Effet de seuil en FM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.6 Préaccentuation et désaccentuation en FM . . . . . . . . . . . . . . . . . . . . . . 81

7 Vers les communications numériques 85


7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7.1.1 Les transmissions en plusieurs bonds. . . . . . . . . . . . . . . . . . . . . 86
7.1.2 Largeur de bande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
7.2 Conversion analogique/numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
7.2.1 L´échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.2.2 Formule d’interpolation de Whittaker . . . . . . . . . . . . . . . . . . . . 89
7.2.3 Commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7.2.4 La quantification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
7.3 Delta Modulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.3.1 Foreword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.3.2 A reminder of PCM performances . . . . . . . . . . . . . . . . . . . . . . 96
7.3.3 Basic DM circuit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7.3.4 Signal to noise ratio for Gaussian messages . . . . . . . . . . . . . . . . . 98
7.3.5 Signal-to-noise ratio for sinewaves . . . . . . . . . . . . . . . . . . . . . . 100
7.3.6 Driving the DM into slope overload . . . . . . . . . . . . . . . . . . . . . 100
7.4 Delta modulation with double integration in the feedback loop . . . . . . . . . . 101
7.4.1 Signal to noise ratio for gaussian messages . . . . . . . . . . . . . . . . . . 101
7.4.2 Signal to noise ratio for sinewaves . . . . . . . . . . . . . . . . . . . . . . 103
7.5 Delta-sigma modulation (DSM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.5.1 Signal to main rate for Gaussian messages . . . . . . . . . . . . . . . . . . 104
7.5.2 Signal to noise ratio for sinewaves . . . . . . . . . . . . . . . . . . . . . . 105
7.6 DSM with an integrator in the feedback loop . . . . . . . . . . . . . . . . . . . . 106
7.6.1 Signal to noise ratio for Gaussian messages . . . . . . . . . . . . . . . . . 106
7.6.2 Signal to noise ratio for sine waves . . . . . . . . . . . . . . . . . . . . . . 107
7.7 Summary of the previous results and conclusions . . . . . . . . . . . . . . . . . . 108
146 CONTENTS

8 Modulations numériques : les signaux 113


8.1 Représentation des signaux numériques modulés . . . . . . . . . . . . . . . . . . 113
8.1.1 Modulations linéaires sans mémoire . . . . . . . . . . . . . . . . . . . . . 113
8.1.2 Modulations non-linéaires à mémoire . . . . . . . . . . . . . . . . . . . . . 117
8.2 Densités spectrales des signaux modulés . . . . . . . . . . . . . . . . . . . . . . . 122

9 Modulations numériques : les performances. 125


9.1 Démodulateur optimal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
9.1.1 Récepteur à corrélation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
9.1.2 Démodulateur à filtre adapté . . . . . . . . . . . . . . . . . . . . . . . . . 128
9.2 Détermination du taux d’erreurs pour transmissions binaires . . . . . . . . . . . 129

10 Communications dans un canal à bande limitée 133


10.1 Les canaux. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
10.1.1 Le canal linéaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
10.2 Le critère de Nyquist. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
10.2.1 Notion d’Interférence Entre Symboles (ISI: Inter Symbol Interference). . . 135
10.2.2 Le critère de Nyquist. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
10.2.3 Lien avec le théorème d’échantillonnage. . . . . . . . . . . . . . . . . . . . 139
10.2.4 Le diagramme en oeil. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139